Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018.

  В книге предполагается, что вы почти ничего не знаете о машинном обучении. Ее цель — предоставить вам концепции, идеи и инструменты, которые необходимы для фактической реализации программ, способных обучаться на основе данных.
Мы рассмотрим многочисленные приемы, начиная с простейших и самых часто используемых (таких как линейная регрессия) и заканчивая рядом методов глубокого обучения, которые регулярно побеждают в состязаниях.
Вместо того чтобы реализовывать собственную миниатюрную версию каждого алгоритма, мы будем применять реальные фреймворки Python производственного уровня.

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018


Введение в машинное обучение.
Когда большинство людей слышат словосочетание “машинное обучение” (МО), они представляют себе робота: надежного дворецкого или неумолимого Терминатора в зависимости от того, кого вы спросите. Но машинное обучение — не только футуристическая фантазия, оно уже здесь. На самом деле оно десятилетиями существовало в ряде специализированных приложений, таких как программы для оптического распознавания знаков (Optical Character Recognition — OCR). Но первое приложение МО, которое действительно получило широкое распространение, улучшив жизнь сотен миллионов людей, увидело свет еще в 1990-х годах: это был фильтр спама. Он не претендует быть вездесущим Скайнетом, но формально квалифицируется как приложение с МО (фактически фильтр обучается настолько хорошо, что вам редко когда приходится маркировать какое-то сообщение как спам). За ним последовали сотни приложений МО, которые теперь тихо приводят в действие сотни продуктов и средств, используемых вами регулярно, от выдачи лучших рекомендаций до голосового поиска.

Где машинное обучение начинается и где заканчивается? Что в точности означает для машины изучить что-то? Если я загрузил копию Википедии, то действительно ли мой компьютер “обучился” чему-нибудь? Стал ли он неожиданно умнее? В этой главе вы начнете прояснять для себя, что такое машинное обучение и почему у вас может возникать желание применять его.

Затем, прежде чем приступить к исследованию континента МО, мы взглянем на карту, чтобы узнать о главных регионах и наиболее заметных ориентирах: обучение с учителем и без учителя, динамическое и пакетное обучение, обучение на основе образцов и на основе моделей. Далее мы рассмотрим рабочий поток типового проекта МО, обсудим основные проблемы, с которыми вы можете столкнуться, и покажем, как оценивать и отлаживать систему МО.

Оглавление.
Часть I. Основы машинного обучения.
Глава 1. Введение в машинное обучение.
Глава 2. Полный проект машинного обучения.
Глава 3. Классификация.
Глава 4. Обучение моделей.
Глава 5. Методы опорных векторов.
Глава 6. Деревья принятия решений.
Глава 7. Ансамблевое обучение и случайные леса.
Глава 8. Понижение размерности.
Часть II. Нейронные сети и глубокое обучение.
Глава 9. Подготовка к работе с TensorFlow.
Глава 10. Введение в искусственные нейронные сети.
Глава 11. Обучение глубоких нейронных сетей.
Глава 12. Использование TensorFlow для распределения вычислений между устройствами и серверами.
Глава 1З. Сверточные нейронные сети.
Глава 14. Рекуррентные нейронные сети.
Глава 15. Автокодировщики.
Глава 16. Обучение с подкреплением.
Приложение А. Решения упражнений.
Приложение Б. Контрольный перечень для проекта машинного обучения.
Приложение В. Двойственная задача SVM.
Приложение Г. Автоматическое дифференцирование.
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей.
Предметный указатель.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России.Купить эту книгу



Скачать - pdf - Яндекс.Диск.
Дата публикации:





Теги: :: :: ::


Следующие учебники и книги:
Предыдущие статьи:


 


 

Книги, учебники, обучение по разделам




Не нашёл? Найди:





2021-09-24 23:17:01