Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем

2-е издание
Орельен Жерон

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition
Aurelien Geron
книга Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем, 2-е издание
(увеличить обложку)

Тираж данной книги закончился.
Оглавление
Пролистать книгу

Выдающийся ресурс для изучения машинного обучения. Вы найдете здесь ясные и интуитивно понятные объяснения, а также обилие практических советов.
Франсуа Шолле, автор библиотеки Keras, автор книги Deep Learning with Python

Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей; я рекомендую ее всем, кто заинтересован в освоении практического машинного обучения.
Пит Уорден, руководитель команды мобильной разработки TensorFlow

Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера, опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.

Вы освоите широкий спектр методик, которые можно быстро задействовать на практике. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Весь код доступен на GitHub. Он был обновлен с учетом TensorFlow 2 и последней версии Scikit-Learn.

Особенности книги

  • Изучите основы машинного обучения на сквозном проекте с применением Scikit-Learn и Pandas
  • Постройте и обучите нейронные сети с многочисленными архитектурами для классификации и регрессии, используя TensorFlow 2
  • Ознакомьтесь с выявлением объектов, семантической сегментацией, механизмами внимания, языковыми моделями, порождающими состязательными сетями и многим другим
  • Исследуйте Keras API — официальный высокоуровневый API-интерфейс для TensorFlow 2
  • Запускайте в производство модели TensorFlow с применением Data API из TensorFlow, стратегий распределения, TF Transform и TF Serving
  • Развертывайте модели на платформе AI Platform инфраструктуры Google Cloud или на мобильных устройствах
  • Используйте методики обучения без учителя, такие как понижение размерности, кластеризация и обнаружение аномалий
  • Создавайте автономные обучающиеся агенты с помощью обучения с подкреплением, в том числе с применением библиотеки TF-Agents

Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.

Все иллюстрации к книге в цветном варианте доступны по адресу: go.dialektika.com/mlearning

Об авторе

Орельен Жерон — консультант и инструктор по машинному обучению.

Бывший работник компании Google, с 2013 по 2016 год он руководил командой классификации видеороликов YouTube. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst (ведущего поставщика услуг беспроводного доступа к Интернету во Франции).


1040, c ил стр., с ил.; ISBN 978-5-907203-33-4, 978-1-492-03264-9; формат 70x100/16; твердый переплет; тип бумаги: офсетная; серия O'Reilly (Animals); 20.02.2024; Вильямс.






Оглавление книги "Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем"



Часть I. Основы машинного обучения     33
Глава 1. Введение в машинное обучение     35
Глава 2. Полный проект машинного обучения     77
Глава 3. Классификация     139
Глава 4. Обучение моделей     171
Глава 5. Методы опорных векторов     219
Глава 6. Деревья принятия решений     245
Глава 7. Ансамблевое обучение и случайные леса     261
Глава 8. Понижение размерности     289
Глава 9. Методики обучения без учителя     315
Часть II. Нейронные сети и глубокое обучение     367
Глава 10. Введение в искусственные нейронные сети с использованием Keras     369
Глава 11. Обучение глубоких нейронных сетей     435
Глава 12. Специальные модели и обучение с помощью TensorFlow     491
Глава 13. Загрузка и предварительная обработка данных с помощью TensorFlow     537
Глава 14. Глубокое компьютерное зрение с использованием сверточных нейронных сетей     579
Глава 15. Обработка последовательностей с использованием
рекуррентных и сверточных нейронных сетей     645
Глава 16. Обработка естественного языка с помощью рекуррентных
нейронных сетей и внимания     679
Глава 17. Обучение представлению и порождению с использованием автокодировщиков и порождающих состязательных сетей     733
Глава 18. Обучение с подкреплением     785
Глава 19. Широкомасштабное обучение и развертывание моделей TensorFlow     857
Приложение А. Решения упражнений     924
Приложение Б. Контрольный перечень для проекта машинного обучения     974
Приложение В. Двойственная задача SVM     981
Приложение Г. Автоматическое дифференцирование     984
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей     992
Приложение Е. Специальные структуры данных     1003
Приложение Ж. Графы TensorFlow     1011
Предметный указатель     1021


Copyright © 1992-2020 Издательская группа "Диалектика-Вильямс"