Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 8 głosach.
Python Machine Learning Cookbook - Second Edition
Odkryj potężne sposoby skutecznego rozwiązywania rzeczywistych problemów związanych z uczeniem maszynowym przy użyciu kluczowych bibliotek, w tym scikit-learn, TensorFlow i PyTorch Kluczowe cechy Poznaj i zaimplementuj algorytmy uczenia maszynowego w różnych rzeczywistych scenariuszach Omów szereg zadań związanych z nadzorowanymi, nienadzorowanymi i wzmacniającymi technikami uczenia Znajdź łatwe do naśladowania rozwiązania kodowe do radzenia sobie z typowymi i nie tak powszechnymi wyzwaniami Opis książki
To oczekiwane z niecierpliwością drugie wydanie popularnej książki kucharskiej Python Machine Learning Cookbook pozwoli ci przyjąć świeże podejście do radzenia sobie z rzeczywistymi zadaniami uczenia maszynowego i uczenia głębokiego.
Dzięki ponad 100 przepisom nauczysz się budować potężne aplikacje uczenia maszynowego przy użyciu nowoczesnych bibliotek z ekosystemu Pythona. Książka zawiera również wskazówki dotyczące implementacji różnych algorytmów uczenia maszynowego do klasyfikacji, klastrowania i silników rekomendacji, wykorzystując podejście oparte na przepisach. Z naciskiem na praktyczne rozwiązania, dedykowane sekcje książki pomogą ci zastosować nadzorowane i nienadzorowane techniki uczenia się do rzeczywistych problemów. W końcowych rozdziałach zapoznasz się z przepisami, które uczą zaawansowanych technik, w tym uczenia ze wzmocnieniem, głębokich sieci neuronowych i zautomatyzowanego uczenia maszynowego.
Pod koniec tej książki będziesz wyposażony w umiejętności potrzebne do zastosowania technik uczenia maszynowego i wykorzystania pełnych możliwości ekosystemu Pythona na rzeczywistych przykładach. Czego się nauczysz Wykorzystaj modelowanie predykcyjne i zastosuj je do rzeczywistych problemów Poznaj techniki wizualizacji danych w celu interakcji z danymi Dowiedz się, jak zbudować silnik rekomendacji Zrozum, jak wchodzić w interakcje z danymi tekstowymi i budować modele do ich analizy Pracuj z danymi mowy i rozpoznawaj wypowiadane słowa za pomocą ukrytych modeli Markowa Zdobądź dobrą znajomość uczenia ze wzmocnieniem, zautomatyzowanego uczenia maszynowego i uczenia transferowego Pracuj z danymi obrazu i buduj systemy do rozpoznawania obrazów i biometrycznego rozpoznawania twarzy Użyj głębokich sieci neuronowych, aby zbudować system optycznego rozpoznawania znaków Dla kogo jest ta książka?
Ta książka jest przeznaczona dla naukowców zajmujących się danymi, programistów uczenia maszynowego, entuzjastów głębokiego uczenia i programistów Pythona, którzy chcą rozwiązywać rzeczywiste wyzwania przy użyciu technik i algorytmów uczenia maszynowego. Jeśli stoisz przed wyzwaniami w pracy i potrzebujesz gotowych do użycia rozwiązań kodowych do obsługi kluczowych zadań w dziedzinie uczenia maszynowego i uczenia głębokiego, ta książka jest tym, czego potrzebujesz. Przydatna będzie znajomość programowania w języku Python i koncepcji uczenia maszynowego. Spis treści Dziedzina uczenia nadzorowanego Konstruowanie klasyfikatora Modelowanie predykcyjne Klasteryzacja z uczeniem nienadzorowanym Wizualizacja danych Budowanie silników rekomendacji Analiza danych tekstowych Rozpoznawanie mowy Analiza szeregów czasowych i danych sekwencyjnych Analiza zawartości obrazu Biometryczne rozpoznawanie twarzy Techniki uczenia ze wzmocnieniem Głębokie sieci neuronowe Uczenie reprezentacyjne bez nadzoru Zautomatyzowane uczenie maszynowe i uczenie transferowe Odblokowywanie zagadnień produkcyjnych
