Praktyczne uczenie się bez nadzoru w Pythonie

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 7 głosach.

Oryginalny tytuł:

Hands-On Unsupervised Learning with Python

Zawartość książki:

Odkryj umiejętności wymagane do wdrożenia różnych podejść do uczenia maszynowego w Pythonie Kluczowe cechy Poznaj uczenie bez nadzoru z klastrowaniem, autoenkoderami, ograniczonymi maszynami Boltzmanna i nie tylko Zbuduj własne modele sieci neuronowych przy użyciu nowoczesnych bibliotek Pythona Praktyczne przykłady pokazują, jak wdrożyć różne techniki uczenia maszynowego i głębokiego uczenia Opis książki

Uczenie bez nadzoru polega na wykorzystaniu surowych, nieoznaczonych danych i zastosowaniu do nich algorytmów uczenia się, aby pomóc maszynie przewidzieć wynik. Dzięki tej książce poznasz koncepcję uczenia bez nadzoru w celu grupowania dużych zbiorów danych i analizowania ich wielokrotnie, aż do znalezienia pożądanego wyniku przy użyciu języka Python.

Książka ta rozpoczyna się od kluczowych różnic między uczeniem nadzorowanym, nienadzorowanym i pół-nadzorowanym. Zostaniesz wprowadzony do najlepiej wykorzystywanych bibliotek i frameworków z ekosystemu Pythona i zajmiesz się nienadzorowanym uczeniem się zarówno w domenie uczenia maszynowego, jak i głębokiego uczenia się. Poznasz różne algorytmy i techniki wykorzystywane do implementacji uczenia bez nadzoru w rzeczywistych przypadkach użycia. Poznasz różne podejścia do uczenia się bez nadzoru, w tym optymalizację losową, grupowanie, wybór i transformację cech oraz teorię informacji. Zdobędziesz praktyczne doświadczenie w zakresie wykorzystania sieci neuronowych w scenariuszach bez nadzoru. Poznasz również kroki związane z budowaniem i trenowaniem sieci GAN w celu przetwarzania obrazów.

Pod koniec tej książki poznasz sztukę uczenia się bez nadzoru dla różnych rzeczywistych wyzwań. Czego się nauczysz Używaj algorytmów klastrowych do identyfikacji i optymalizacji naturalnych grup danych Poznaj zaawansowane nieliniowe i hierarchiczne grupowanie w działaniu Miękkie przypisywanie etykiet dla rozmytych modeli c-średnich i mieszanek gaussowskich Wykrywaj anomalie za pomocą estymacji gęstości Wykonuj analizę składowych głównych za pomocą modeli sieci neuronowych Twórz modele bez nadzoru za pomocą sieci GAN Dla kogo jest ta książka?

Ta książka jest przeznaczona dla statystyków, naukowców zajmujących się danymi, programistów uczenia maszynowego i praktyków głębokiego uczenia, którzy chcą budować inteligentne aplikacje, wdrażając kluczowe elementy uczenia bez nadzoru i opanować wszystkie nowe techniki i algorytmy oferowane w uczeniu maszynowym i głębokim uczeniu na rzeczywistych przykładach. Pożądana jest pewna wcześniejsza znajomość koncepcji uczenia maszynowego i statystyki. Spis treści Rozpoczęcie pracy z nienadzorowanym uczeniem się Podstawy klastrowania Zaawansowane klastrowanie Hierarchiczne klastrowanie w działaniu Miękkie klastrowanie i gaussowskie modele mieszane Wykrywanie anomalii Redukcja wymiarowości i analiza komponentów Modele nienadzorowanych sieci neuronowych Generatywne sieci adwersarzy i SOMy