• EOL

Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Indeks: KSZ-20056 EAN: 9788328360020
Drugie wydanie przewodnika po technikach uczenia maszynowego autorstwa Aurélien Géron. Dzięki tej książce można nauczyć się budowania i trenowania głębokiej sieci neuronowej, wystarczy posiadać minimalne umiejętności programistyczne.
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron
85,90 zł
81,81 zł netto
Zapłać później
Powiadom o dostępności
Niedostępny
Produkt wycofany
Producent: Helion

Uwaga!

Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii.

Opis produktu: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Drugie wydanie przewodnika po technikach uczenia maszynowego autorstwa Aurélien Géron. Dzięki tej książce można nauczyć się budowania i trenowania głębokiej sieci neuronowej, wystarczy posiadać minimalne umiejętności programistyczne.

Książka zawiera między innymi:

  • podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow
  • techniki wykrywania obiektów, segmentacji semantycznej i mechanizmy uwagi
  • interfejs Keras, narzędzia TF Transform i TF Serving
  • wdrażanie modeli TensorFlow
  • techniki uczenia nienadzorowanego, wykrywanie anomalii oraz biblioteka TF Agents
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron. Książka przeznaczona jest dla programistów.

Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Książka przedstawia techniki uczenia maszynowego na praktycznych przykładach.

Informacje o książce

  • Autor: Aurélien Géron
  • Tytuł oryginalny: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition
  • Tłumaczenie: Krzysztof Sawka
  • Wydawca: Helion SA
  • Rok wydania: 2020
  • Liczba stron: 768
  • ISBN: 978-83-283-6002-0
  • Format: 168 x 237 mm

O Autorze

Aurélien Géron - to konsultant do spraw uczenia maszynowego. Pracował w korporacji Google, a w latach 2013 – 2016 kierował zespołem klasyfikowania filmów w firmie YouTube. Był także założycielem i dyrektorem do spraw technicznych (w latach 2002 – 2012) w firmie Wifirst — czołowym francuskim dostawcy bezprzewodowych usług internetowych. Również w 2001 roku pełnił te same funkcje w firmie Polyconseil - obecnie zarządza ona usługą udostępniania samochodów elektrycznych Autolib’.

Spis treści

Przedmowa 15

CZĘŚĆ I. PODSTAWY UCZENIA MASZYNOWEGO 25

1. Krajobraz uczenia maszynowego 27

  • Czym jest uczenie maszynowe? 28
  • Dlaczego warto korzystać z uczenia maszynowego? 28
  • Przykładowe zastosowania 31
  • Rodzaje systemów uczenia maszynowego 33
  • Główne problemy uczenia maszynowego 48
  • Testowanie i ocenianie 55
  • Ćwiczenia 57

2. Nasz pierwszy projekt uczenia maszynowego 59

  • Praca z rzeczywistymi danymi 59
  • Przeanalizuj całokształt projektu 61
  • Zdobądź dane 65
  • Odkrywaj i wizualizuj dane, aby zdobywać nowe informacje 78
  • Przygotuj dane pod algorytmy uczenia maszynowego 84
  • Wybór i uczenie modelu 92
  • Wyreguluj swój model 96
  • Uruchom, monitoruj i utrzymuj swój system 100
  • Teraz Twoja kolej! 103
  • Ćwiczenia 103

3. Klasyfikacja 105

  • Zbiór danych MNIST 105
  • Uczenie klasyfikatora binarnego 107
  • Miary wydajności 108
  • Klasyfikacja wieloklasowa 119
  • Analiza błędów 121
  • Klasyfikacja wieloetykietowa 124
  • Klasyfikacja wielowyjściowa 125
  • Ćwiczenia 127

4. Uczenie modeli 129

  • Regresja liniowa 130
  • Gradient prosty 135
  • Regresja wielomianowa 145
  • Krzywe uczenia 146
  • Regularyzowane modele liniowe 150
  • Regresja logistyczna 157
  • Ćwiczenia 166

5. Maszyny wektorów nośnych 167

  • Liniowa klasyfikacja SVM 167
  • Nieliniowa klasyfikacja SVM 170
  • Regresja SVM 175
  • Mechanizm działania 177
  • Ćwiczenia 186

6. Drzewa decyzyjne 187

  • Uczenie i wizualizowanie drzewa decyzyjnego 187
  • Wyliczanie prognoz 188
  • Szacowanie prawdopodobieństw przynależności do klas 190
  • Algorytm uczący CART 191
  • Złożoność obliczeniowa 192
  • Wskaźnik Giniego czy entropia? 192
  • Hiperparametry regularyzacyjne 193
  • Regresja 194
  • Niestabilność 196
  • Ćwiczenia 197

7. Uczenie zespołowe i losowe lasy 199

  • Klasyfikatory głosujące 199
  • Agregacja i wklejanie 202
  • Rejony losowe i podprzestrzenie losowe 206
  • Losowe lasy 206
  • Wzmacnianie 209
  • Kontaminacja 217
  • Ćwiczenia 219

8. Redukcja wymiarowości 223

  • Klątwa wymiarowości 224
  • Główne strategie redukcji wymiarowości 225
  • Analiza PCA 228
  • Jądrowa analiza PCA 236
  • Algorytm LLE 239
  • Inne techniki redukowania wymiarowości 241
  • Ćwiczenia 241

9. Techniki uczenia nienadzorowanego 243

  • Analiza skupień 244
  • Mieszaniny gaussowskie 266
  • Ćwiczenia 280

CZĘŚĆ II. SIECI NEURONOWE I UCZENIE GŁĘBOKIE 283

10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras 285

  • Od biologicznych do sztucznych neuronów 286
  • Implementowanie perceptronów wielowarstwowych za pomocą interfejsu Keras 300
  • Dostrajanie hiperparametrów sieci neuronowej 323
  • Ćwiczenia 330

11. Uczenie głębokich sieci neuronowych 333

  • Problemy zanikających/eksplodujących gradientów 334
  • Wielokrotne stosowanie gotowych warstw 347
  • Szybsze optymalizatory 352
  • Regularyzacja jako sposób zapobiegania przetrenowaniu 364
  • Podsumowanie i praktyczne wskazówki 371
  • Ćwiczenia 372

12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow 375

  • Krótkie omówienie modułu TensorFlow 375
  • Korzystanie z modułu TensorFlow jak z biblioteki NumPy 379
  • Dostosowywanie modeli i algorytmów uczenia 383
  • Funkcje i grafy modułu TensorFlow 402
  • Ćwiczenia 406

13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow 409

  • Interfejs danych 410
  • Format TFRecord 419
  • Wstępne przetwarzanie cech wejściowych 425
  • TF Transform 433
  • Projekt TensorFlow Datasets (TFDS) 435
  • Ćwiczenia 436

14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych 439

  • Struktura kory wzrokowej 440
  • Warstwy splotowe 441
  • Warstwa łącząca 449
  • Architektury splotowych sieci neuronowych 452
  • Implementacja sieci ResNet-34 za pomocą interfejsu Keras 468
  • Korzystanie z gotowych modeli w interfejsie Keras 469
  • Gotowe modele w uczeniu transferowym 471
  • Klasyfikowanie i lokalizowanie 473
  • Wykrywanie obiektów 474
  • Segmentacja semantyczna 481
  • Ćwiczenia 484

15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych 487

  • Neurony i warstwy rekurencyjne 488
  • Uczenie sieci rekurencyjnych 492
  • Prognozowanie szeregów czasowych 493
  • Obsługa długich sekwencji 500
  • Ćwiczenia 511

16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi 513

  • Generowanie tekstów szekspirowskich za pomocą znakowej sieci rekurencyjnej 514
  • Analiza sentymentów 522
  • Sieć typu koder - dekoder służąca do neuronowego tłumaczenia maszynowego 529
  • Mechanizmy uwagi 534
  • Współczesne innowacje w modelach językowych 546
  • Ćwiczenia 548

17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych 551

  • Efektywne reprezentacje danych 552
  • Analiza PCA za pomocą niedopełnionego autokodera liniowego 554
  • Autokodery stosowe 555
  • Autokodery splotowe 562
  • Autokodery rekurencyjne 563
  • Autokodery odszumiające 564
  • Autokodery rzadkie 566
  • Autokodery wariacyjne 569
  • Generatywne sieci przeciwstawne 574
  • Ćwiczenia 587

18. Uczenie przez wzmacnianie 589

  • Uczenie się optymalizowania nagród 590
  • Wyszukiwanie strategii 591
  • Wprowadzenie do narzędzia OpenAI Gym 593
  • Sieci neuronowe jako strategie 597
  • Ocenianie czynności: problem przypisania zasługi 598
  • Gradienty strategii 600
  • Procesy decyzyjne Markowa 604
  • Uczenie metodą różnic czasowych 607
  • Q-uczenie 609
  • Implementacja modelu Q-uczenia głębokiego 612
  • Odmiany Q-uczenia głębokiego 616
  • Biblioteka TF-Agents 619
  • Przegląd popularnych algorytmów RN 637
  • Ćwiczenia 639

19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow 641

  • Eksploatacja modelu TensorFlow 642
  • Wdrażanie modelu na urządzeniu mobilnym lub wbudowanym 658
  • Przyspieszanie obliczeń za pomocą procesorów graficznych 661
  • Uczenie modeli za pomocą wielu urządzeń 673
  • Ćwiczenia 688
  • Dziękuję! 688

A. Rozwiązania ćwiczeń 691

B. Lista kontrolna projektu uczenia maszynowego 725

C. Problem dualny w maszynach wektorów nośnych 731

D. Różniczkowanie automatyczne 735

E. Inne popularne architektury sieci neuronowych 743

F. Specjalne struktury danych 751

G. Grafy TensorFlow 757

Książka - Autor Aurélien Géron
Książka - ISBN 978-83-283-6002-0
Książka - Oprawa twarda
Książka - Wydawnictwo Helion S.A.
Tematyka Sztuczna inteligencja
Szerokość opakowania 18 cm
Wysokość opakowania 24.3 cm
Głębokość opakowania 4.8 cm
Masa opakowania 1.2 kg

Jako pierwszy zadaj pytanie dotyczące tego produktu!

Opinie o produkcie

Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

5/5

Średnia Ocena

1

Opinie Klientów
Poniższe opinie zbieramy
i weryfikujemy przy pomocy
zewnętrznego partnera Trustmate
i pochodzą z procesu pozakupowego.

Zdjęcia użytkowników

Klienci którzy zakupili ten produkt kupili również:

Produkty z tej samej kategorii: