Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu
Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.
Produkt wycofany ze sprzedaży
Ten model nie jest już produkowany i nie wróci do naszej oferty.
Uwaga!
Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii.
Opis produktu: Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu
Książka Yuxi (Hayden) Liu praktycznie podchodzi do tematu uczenia maszynowego i w sposób przystępny dla początkujących omawia różne techniki wykorzystywania Pythona i jego bibliotek: TensorFlow 2, PyTorch i scikit-learn. Ich znajomość potrzebna jest do tworzenia systemów uczących się i rozwiązywania problemów. Autor przewodnika prezentuje wiele przykładów kodu i ćwiczeń, które pomogą czytelnikowi łatwiej zrozumieć omawiane zagadnienia.
Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III.
Przewodnik po technikach uczenia maszynowego.
Informacje o autorze
Yuxi (Hayden) Liu - miłośnik nauki, autor wielu książek na temat uczenia maszynowego. Pracował nad jego zastosowaniami w takich dziedzinach jak reklama internetowa i cyberbezpieczeństwo. Aktualnie rozwija modele uczenia maszynowego w Google.
Informacje o książce
Tytuł oryginału: Python Machine Learning By Example: Build intelligent systems using Python, TensorFlow 2, PyTorch, and scikit-learn, 3rd Edition
Autor: Yuxi (Hayden) Liu
Tłumaczenie: Andrzej Watrak
ISBN: 978-83-283-8870-3
Oprawa: miękka
Ilość stron: 424
Rok wydania: 2022
Wydawnictwo: Helion S.A.
Spis treści
O autorze
O korektorach merytorycznych
Rozdział 1. Pierwsze kroki z uczeniem maszynowym w Pythonie
Wprowadzenie do uczenia maszynowego:Dlaczego uczenie maszynowe jest potrzebne?; Różnice między uczeniem maszynowym a automatyką; Zastosowania uczenia maszynowego
Wstępne wymagania
Trzy rodzaje uczenia maszynowego
Istota uczenia maszynowego:Uogólnianie danych; Nadmierne i niedostateczne dopasowanie modelu oraz kompromis między obciążeniem a wariancją; Zapobieganie nadmiernemu dopasowaniu poprzez weryfikację krzyżową; Zapobieganie nadmiernemu dopasowaniu za pomocą regularyzacji; Zapobieganie nadmiernemu dopasowaniu poprzez selekcję cech i redukcję wymiarowości
Wstępne przetwarzanie danych i inżynieria cech:Wstępne przetwarzanie i eksploracja danych; Inżynieria cech
Łączenie modeli:Głosowanie i uśrednianie; Agregacja bootstrap; Wzmacnianie; Składowanie
Instalacja i konfiguracja oprogramowania:Przygotowanie Pythona i środowiska pracy; Instalacja najważniejszych pakietów Pythona; Wprowadzenie do pakietu TensorFlow 2
Podsumowanie
Ćwiczenia
Rozdział 2. Tworzenie systemu rekomendacji filmów na bazie naiwnego klasyfikatora Bayesa
Pierwsze kroki z klasyfikacją:Klasyfikacja binarna; Klasyfikacja wieloklasowa; Klasyfikacja wieloetykietowa
Naiwny klasyfikator Bayesa:Twierdzenie Bayesa w przykładach; Mechanizm naiwnego klasyfikatora Bayesa
Implementacja naiwnego klasyfikatora Bayesa:Implementacja od podstaw; Implementacja z wykorzystaniem pakietu scikit-learn
Budowanie systemu rekomendacyjnego na bazie klasyfikatora Bayesa
Ocena jakości klasyfikacji
Strojenie modeli poprzez weryfikację krzyżową
Podsumowanie
Ćwiczenia
Bibliografia
Rozdział 3. Rozpoznawanie twarzy przy użyciu maszyny wektorów nośnych
Określanie granic klas za pomocą maszyny wektorów nośnych:Scenariusz 1. Określenie hiperpłaszczyzny rozdzielającej; Scenariusz 2. Określenie optymalnej hiperpłaszczyzny rozdzielającej; Scenariusz 3. Przetwarzanie punktów odstających; Implementacja maszyny wektorów nośnych; Scenariusz 4. Więcej niż dwie klasy; Scenariusz 5. Rozwiązywanie nierozdzielnego liniowo problemu za pomocą jądra; Wybór między jądrem liniowym a radialną funkcją bazową
Klasyfikowanie zdjęć twarzy za pomocą maszyny wektorów nośnych:Badanie zbioru zdjęć twarzy; Tworzenie klasyfikatora obrazów opartego na maszynie wektorów nośnych; Zwiększanie skuteczności klasyfikatora obrazów za pomocą analizy głównych składowych
Klasyfikacja stanu płodu w kardiotokografii
Podsumowanie
Ćwiczenia
Rozdział 4. Prognozowanie kliknięć reklam internetowych przy użyciu algorytmów drzewiastych
Wprowadzenie do prognozowania kliknięć reklam
Wprowadzenie do dwóch typów danych: liczbowych i kategorialnych
Badanie drzewa decyzyjnego od korzeni do liści:Budowanie drzewa decyzyjnego; Wskaźniki jakości podziału zbioru
Implementacja drzewa decyzyjnego od podstaw
Implementacja drzewa decyzyjnego za pomocą biblioteki scikit-learn
Prognozowanie kliknięć reklam za pomocą drzewa decyzyjnego
Gromadzenie drzew decyzyjnych: las losowy
Gromadzenie drzew decyzyjnych: drzewa ze wzmocnieniem gradientowym
Podsumowanie
Ćwiczenia
Rozdział 5. Prognozowanie kliknięć reklam internetowych przy użyciu regresji logistycznej
Klasyfikowanie danych z wykorzystaniem regresji logistycznej:Wprowadzenie do funkcji logistycznej; Przejście od funkcji logistycznej do regresji logistycznej
Trening modelu opartego na regresji logistycznej:Trening modelu opartego na regresji logistycznej z gradientem prostym; Prognozowanie kliknięć reklam z wykorzystaniem regresji logistycznej z gradientem prostym; Trening modelu opartego na regresji logistycznej ze stochastycznym gradientem prostym; Trening modelu opartego na regresji logistycznej z regularyzacją; Selekcja cech w regularyzacji L1
Trening modelu na dużym zbiorze danych z uczeniem online
Klasyfikacja wieloklasowa
Implementacja regresji logistycznej za pomocą pakietu TensorFlow
Selekcja cech z wykorzystaniem lasu losowego
Podsumowanie
Ćwiczenia
Rozdział 6. Skalowanie modelu prognozującego do terabajtowych dzienników kliknięć
Podstawy Apache Spark:Komponenty; Instalacja; Uruchamianie i wdrażanie programów
Programowanie z wykorzystywaniem modułu PySpark
Trenowanie modelu na bardzo dużych zbiorach danych za pomocą narzędzia Apache Spark:Załadowanie danych o kliknięciach reklam; Podzielenie danych i umieszczenie ich w pamięci; Zakodowanie "1 z n" cech kategorialnych; Trening i testy modelu regresji logistycznej
Inżynieria cech i wartości kategorialnych przy użyciu narzędzia Apache Spark:Mieszanie cech kategorialnych; Interakcja cech, czyli łączenie zmiennych
Podsumowanie
Ćwiczenia
Rozdział 7. Prognozowanie cen akcji za pomocą algorytmów regresji
Krótkie wprowadzenie do giełdy i cen akcji
Co to jest regresja?
Pozyskiwanie cen akcji:Pierwsze kroki z inżynierią cech; Pozyskiwanie danych i generowanie cech
Szacowanie za pomocą regresji liniowej:Jak działa regresja liniowa?; Implementacja regresji liniowej od podstaw; Implementacja regresji liniowej z wykorzystaniem pakietu scikit-learn; Implementacja regresji liniowej z wykorzystaniem pakietu TensorFlow
Prognozowanie za pomocą regresyjnego drzewa decyzyjnego:Przejście od drzewa klasyfikacyjnego do regresyjnego; Implementacja regresyjnego drzewa decyzyjnego; Implementacja lasu regresyjnego
Prognozowanie za pomocą regresji wektorów nośnych:Implementacja regresji wektorów nośnych
Ocena jakości regresji
Prognozowanie cen akcji za pomocą trzech algorytmów regresji
Podsumowanie
Ćwiczenia
Rozdział 8. Prognozowanie cen akcji za pomocą sieci neuronowych
Demistyfikacja sieci neuronowych:Pierwsze kroki z jednowarstwową siecią neuronową; Funkcje aktywacji; Propagacja wstecz; Wprowadzanie kolejnych warstw do sieci neuronowej i uczenie głębokie
Tworzenie sieci neuronowej:Implementacja sieci neuronowej od podstaw; Implementacja sieci neuronowej przy użyciu pakietu scikit-learn; Implementacja sieci neuronowej przy użyciu pakietu TensorFlow
Prognozowanie cen akcji za pomocą sieci neuronowej:Trening prostej sieci neuronowej; Dostrojenie parametrów sieci neuronowej
Podsumowanie
Ćwiczenie
Rozdział 9. Badanie 20 grup dyskusyjnych przy użyciu technik analizy tekstu
Jak komputery rozumieją ludzi, czyli przetwarzanie języka naturalnego:Czym jest przetwarzanie języka naturalnego?; Historia przetwarzania języka naturalnego; Zastosowania przetwarzania języka naturalnego
Przegląd bibliotek Pythona i podstawy przetwarzania języka naturalnego:Instalacja najważniejszych bibliotek; Korpusy; Tokenizacja; Oznaczanie części mowy; Rozpoznawanie jednostek nazwanych; Stemming i lematyzacja; Modelowanie semantyczne i tematyczne
Pozyskiwanie danych z grup dyskusyjnych
Badanie danych z grup dyskusyjnych
Przetwarzanie cech danych tekstowych:Zliczanie wystąpień wszystkich tokenów; Wstępne przetwarzanie tekstu; Usuwanie stop-słów; Upraszczanie odmian
Wizualizacja danych tekstowych z wykorzystaniem techniki t-SNE:Co to jest redukcja wymiarowości?; Redukcja wymiarowości przy użyciu techniki t-SNE
Podsumowanie
Ćwiczenia
Rozdział 10. Wyszukiwanie ukrytych tematów w grupach dyskusyjnych poprzez ich klastrowanie i modelowanie tematyczne
Nauka bez wskazówek, czyli uczenie nienadzorowane
Klastrowanie grup dyskusyjnych metodą k-średnich:Jak działa klastrowanie metodą k-średnich?; Implementacja klastrowania metodą k-średnich od podstaw; Implementacja klastrowania metodą k-średnich z wykorzystaniem pakietu scikit-learn; Dobór wartości k; Klastrowanie danych z grup dyskusyjnych metodą k-średnich
Odkrywanie ukrytych tematów grup dyskusyjnych:Modelowanie tematyczne z wykorzystaniem nieujemnej faktoryzacji macierzy; Modelowanie tematyczne z wykorzystaniem ukrytej alokacji Dirichleta
Podsumowanie
Ćwiczenia
Rozdział 11. Dobre praktyki uczenia maszynowego
Proces rozwiązywania problemów uczenia maszynowego
Dobre praktyki przygotowywania danych:Dobra praktyka nr 1. Dokładne poznanie celu projektu; Dobra praktyka nr 2. Zbieranie wszystkich istotnych pól; Dobra praktyka nr 3. Ujednolicenie danych; Dobra praktyka nr 4. Opracowanie niekompletnych danych; Dobra praktyka nr 5. Przechowywanie dużych ilości danych
Dobre praktyki tworzenia zbioru treningowego:Dobra praktyka nr 6. Oznaczanie cech kategorialnych liczbami; Dobra praktyka nr 7. Rozważenie kodowania cech kategorialnych; Dobra praktyka nr 8. Rozważenie selekcji cech i wybór odpowiedniej metody; Dobra praktyka nr 9. Rozważenie redukcji wymiarowości i wybór odpowiedniej metody; Dobra praktyka nr 10. Rozważenie normalizacji cech; Dobra praktyka nr 11. Inżynieria cech na bazie wiedzy eksperckiej; Dobra praktyka nr 12. Inżynieria cech bez wiedzy eksperckiej; Dobra praktyka nr 13. Dokumentowanie procesu tworzenia cech; Dobra praktyka nr 14. Wyodrębnianie cech z danych tekstowych
Dobre praktyki trenowania, oceniania i wybierania modelu:Dobra praktyka nr 15. Wybór odpowiedniego algorytmu początkowego; Dobra praktyka nr 16. Zapobieganie nadmiernemu dopasowaniu; Dobra praktyka nr 17. Diagnozowanie nadmiernego i niedostatecznego dopasowania; Dobra praktyka nr 18. Modelowanie dużych zbiorów danych
Dobre praktyki wdrażania i monitorowania modelu:Dobra praktyka nr 19. Zapisywanie, ładowanie i wielokrotne stosowanie modelu; Dobra praktyka nr 20. Monitorowanie skuteczności modelu; Dobra praktyka nr 21. Regularne aktualizowanie modelu
Podsumowanie
Ćwiczenia
Rozdział 12. Kategoryzacja zdjęć odzieży przy użyciu konwolucyjnej sieci neuronowej
Bloki konstrukcyjne konwolucyjnej sieci neuronowej:Warstwa konwolucyjna; Warstwa nieliniowa; Warstwa redukująca
Budowanie konwolucyjnej sieci neuronowej na potrzeby klasyfikacji
Badanie zbioru zdjęć odzieży
Klasyfikowanie zdjęć odzieży za pomocą konwolucyjnej sieci neuronowej:Tworzenie sieci; Trening sieci; Wizualizacja filtrów konwolucyjnych
Wzmacnianie konwolucyjnej sieci neuronowej poprzez uzupełnianie danych:Odwracanie obrazów w poziomie i pionie; Obracanie obrazów; Przesuwanie obrazów
Usprawnianie klasyfikatora obrazów poprzez uzupełnianie danych
Podsumowanie
Ćwiczenia
Rozdział 13. Prognozowanie sekwencji danych przy użyciu rekurencyjnej sieci neuronowej
Wprowadzenie do uczenia sekwencyjnego
Architektura rekurencyjnej sieci neuronowej na przykładzie:Mechanizm rekurencyjny; Sieć typu "wiele do jednego"; Sieć typu "jedno do wielu"; Sieć synchroniczna typu "wiele do wielu"; Sieć niesynchroniczna typu "wiele do wielu"
Trening rekurencyjnej sieci neuronowej
Długoterminowe zależności i sieć LSTM
Analiza recenzji filmowych za pomocą sieci neuronowej:Analiza i wstępne przetworzenie recenzji; Zbudowanie prostej sieci LSTM; Poprawa skuteczności poprzez wprowadzenie dodatkowych warstw
Pisanie nowej powieści "Wojna i pokój" za pomocą rekurencyjnej sieci neuronowej:Pozyskanie i analiza danych treningowych; Utworzenie zbioru treningowego dla generatora tekstu; Utworzenie generatora tekstu; Trening generatora tekstu
Zaawansowana analiza języka przy użyciu modelu Transformer:Architektura modelu; Samouwaga
Podsumowanie
Ćwiczenia
Rozdział 14. Podejmowanie decyzji w skomplikowanych warunkach z wykorzystaniem uczenia przez wzmacnianie
Przygotowanie środowiska do uczenia przez wzmacnianie:Instalacja biblioteki PyTorch; Instalacja narzędzi OpenAI Gym
Wprowadzenie do uczenia przez wzmacnianie z przykładami:Komponenty uczenia przez wzmacnianie; Sumaryczna nagroda; Algorytmy uczenia przez wzmacnianie
Problem FrozenLake i programowanie dynamiczne:Utworzenie środowiska FrozenLake; Rozwiązanie problemu przy użyciu algorytmu iteracji wartości; Rozwiązanie problemu przy użyciu algorytmu iteracji polityki
Metoda Monte Carlo uczenia przez wzmacnianie:Utworzenie środowiska Blackjack; Ocenianie polityki w metodzie Monte Carlo; Sterowanie Monte Carlo z polityką
Problem taksówkarza i algorytm Q-uczenia:Utworzenie środowiska Taxi; Implementacja algorytmu Q-uczenia
Podsumowanie
Ćwiczenia
Skorowidz
Nazwa
Wartość
Książka - Autor
Yuxi (Hayden) Liu
Książka - ISBN
978-83-283-8870-3
Książka - Oprawa
miękka
Książka - Wydawnictwo
Helion S.A.
Tematyka
Sztuczna inteligencja
Szerokość
16,5 cm
Wysokość
23,5 cm
Głębokość
2 cm
Waga
0,6 kg
Darmowa dostawa od 500,00 zł
Przy zamówieniach o wartości 500,00 zł i więcej koszt przesyłki pokrywamy my, niezależnie od wybranego przewoźnika.
Dotyczy dostawy do kraju: Polska.
Sposób dostawyCzas dostawyKoszt
GLS AutomatyDostawa 24h
od 8,99 zł
InPost Paczkomat® 24/7Dostawa 24h (ubezpieczenie do 200 zł)
od 13,99 zł
InPost KurierDostawa 24h
od 14,99 zł
Kurier GLSDostawa 24h
od 14,99 zł
InPost Paczka w WeekendDostawa w sobotę
od 19,99 zł
InPost Kurier (pobranie)Dostawa 24h
od 22,99 zł
Ambro Express (bez wniesienia)Dostawa 1-2 dni
od 150,00 zł
Ambro Express (z wniesieniem)Dostawa 1-2 dni
od 200,00 zł
Zgodnie z obowiązującymi przepisami, ponosimy odpowiedzialność na zasadach określonych w Kodeksie Cywilnym za wady fizyczne i prawne.
Po wykryciu wady Kupujący ma prawo:
złożyć oświadczenie o żądaniu obniżenia ceny,
złożyć oświadczenie o odstąpieniu od umowy, ale nie wtedy kiedy wada jest nieistotna,
żądać wymiany rzeczy na wolną od wad,
żądać usunięcia wady.
Informujemy, że Dział Reklamacji firmy Botland rozpatruje zgłoszenia w ciągu 14 dni kalendarzowych od daty ich wpłynięcia. Botland odpowiada z tytułu rękojmi jeśli wada fizyczna zostanie stwierdzona przed upływem dwóch lat od momentu wydania rzeczy.
Informacje dotyczące korzystania z prawa odstąpienia od umowy
Zgodnie z aktualnymi przepisami prawnymi Konsument ma prawo odstąpić od umowy kupna-sprzedaży w terminie 30 dni bez podania przyczyny. Termin ten wygasa po upływie 30 dni od momentu, w którym Konsument wszedł w posiadanie rzeczy lub w którym osoba trzecia inna niż przewoźnik i wskazana przez Konsumenta weszła w posiadanie rzeczy.
Informujemy, że zgodnie z obowiązującymi przepisami oraz §4 Regulaminu zwrot towaru przysługuje wyłącznie Konsumentom (zakup niezwiązany bezpośrednio działalnością gospodarczą lub zawodową). Zwroty nie przysługują Klientom (zakup związany bezpośrednio działalnością gospodarczą lub zawodową).
Przebieg reklamacji / zwrotu
W celu zgłoszenia reklamacji prosimy postępować zgodnie z instrukcją:
Po otrzymaniu wiadomości e-mail ze statusem „Oczekiwanie na przesyłkę”, zabezpiecz i zapakuj niesprawny produkt.
Wyślij przesyłkę na podany niżej adres wraz z wydrukowanym formularzem oraz dowodem zakupu.
Formularz reklamacyjny
W celu rozpoczęcia procedury reklamacyjnej / zwrotu, wypełnij formularz.
Adres do wysyłki
BOTLAND - SERWIS Gola 25A 63-640 Bralin
Zasady reklamacji
W celu sprawnego przeprowadzenia procesu reklamacji, prosimy o zapoznanie się z opisanymi poniżej zasadami:
Przed odesłaniem sprzętu prosimy o upewnienie się, iż produkt faktycznie jest niesprawny.
W celu sprawnego przebiegu reklamacji prosimy o wypełnienie formularza reklamacyjnego oraz dołączenie go do przesyłki.
Do reklamowanych produktów prosimy dołączyć dowód zakupu (np. paragon, fakturę lub potwierdzenie wykonania przelewu).
Towar należy starannie zapakować, aby zapewnić bezpieczny transport i zapobiec kolejnym uszkodzeniom.
Firma Botland nie odbiera paczek reklamacyjnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.
Zwrot kosztów przesyłki następuje po uznaniu reklamacji. Jest to kwota zgodna z najtańszą oferowaną formą dostawy.
Po uznaniu reklamacji zwrot środków nastąpi w ciągu 14 dni. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Kupujący wyraził zgodę na inne rozwiązanie lub je zaproponował.
Sprzęt prosimy odsyłać kompletny razem z akcesoriami. Produkty niekompletne zostaną odesłane bez rozpatrzenia na koszt nadawcy.
Samodzielna naprawa, przeprowadzona przez osoby nieuprawnione, tj. niebędąca naprawą przez firmę Botland, pozbawia Kupującego prawa do dalszego reklamowania.
O sposobie rozpatrzenia reklamacji Kupujący zostanie poinformowany drogą elektroniczną (poprzez wiadomość e-mail).
Szczegółowe informacje dotyczące aktualnych kosztów wysyłki znajdują się na stronie www.botland.com.pl w zakładce Dostawa.
Odesłanie sprzętu jest równoznaczne z zapoznaniem się z powyższymi zasadami.
Zasady zwrotu towaru
W celu skorzystania z prawa odstąpienia od umowy, Konsument zobowiązany jest poinformować Sprzedającego o swojej decyzji poprzez jednoznaczne oświadczenie.
W celu sprawnego przeprowadzenia procesu zwrotu prosimy o wypełnienie formularza. Konsument może również skorzystać z innego oświadczenia niż zamieszczony formularz.
W przypadku odstąpienia od umowy zwracamy wszystkie otrzymane płatności, w tym koszty dostarczenia rzeczy do Konsumenta (z wyjątkiem dodatkowych kosztów wynikających z wybranego przez Konsumenta sposobu dostarczenia innego niż najtańszy przez nas oferowany). Konsument ponosi koszty przesyłki zwrotnej. Zwrot środków nastąpi w ciągu 14 dni od dnia, w którym zostaliśmy poinformowani o decyzji odstąpienia od umowy. Zwrotu dokonamy przy użyciu takich samych sposobów płatności oraz w tej samej walucie, jakie zostały użyte w pierwotnej transakcji, chyba że Konsument wyraził zgodę na inne rozwiązanie lub je zaproponował.
Możemy wstrzymać się ze zwrotem płatności do czasu otrzymania rzeczy lub dostarczenia nam dowodu jej odesłania, w zależności od tego, które zdarzenie nastąpi wcześniej.
Prosimy o odesłanie lub przekazanie nam rzeczy niezwłocznie, a w każdym razie nie później niż 14 dni od dnia, w którym zostaliśmy poinformowani o odstąpieniu od umowy. Prosimy również o staranne zapakowanie towaru przed wysyłką.
Konsument odpowiada tylko za zmniejszenie wartości produktu wynikającej z korzystania w sposób inny niż było to konieczne do stwierdzenia cech i funkcjonalności.
Firma Botland nie odbiera paczek zwrotnych wysłanych za pobraniem oraz paczek nadawanych do automatów paczkowych np. urządzeń Paczkomat.
Zadaj pierwsze pytanie o ten produkt!
Instrukcje i dokumenty
Dane GPSR
Kraj pochodzeniaPolska
Dane kontaktowe producentaHelion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Dane kontaktowe wprowadzającego na rynek UEHelion.pl sp. z o.o. ul. Kościuszki 1c 44-100 Gliwice [email protected]
Inni klienci oglądali również
Brak opinii dla tego produktu.
Zadaj pytanie o produkt
Masz pytanie dotyczące tego produktu? Napisz do nas, a my odpowiemy najszybciej jak to możliwe.
Zwykle odpowiadamy w ciągu jednego dnia roboczego. Odpowiedź wyślemy na podany adres e-mail.
Wczytywanie...
Powiadom o dostępności
Co oznacza informacja o dostępności produktu?
Informacja widoczna na stronie produktu dotyczy zamówień składanych teraz. Nie dotyczy ona zamówień złożonych wcześniej, jeśli widoczny był wtedy inny komunikat.
Jeśli podana jest konkretna data to znaczy, że w tym dniu rozpoczniemy wysyłkę z naszego magazynu, może to zająć 1-2 dni robocze. Wysyłka może też rozpocząć się szybciej.
Jeśli podana data jest przybliżona (np. tylko miesiąc) to oznacza, że towar jest zamówiony u producenta, ale nie znamy jeszcze dokładnej daty dostawy.
Podane daty bazują na deklaracjach producenta, są orientacyjne i mogą ulec zmianie.
Pamiętaj, że jeśli w Twoim zamówieniu było kilka niedostępnych produktów, to wyślemy je dopiero gdy skompletujemy wszystkie produkty.
Jeśli chcesz poznać termin dostawy dla swojego zamówienia, które już złożyłeś, to skontaktuj się z naszym biurem obsługi klienta.
Ten produkt wyślemy później
Informacja o dostępności
Całe zamówienie wyślemy, gdy wszystkie pozycje będą dostępne. Chcesz szybciej? Zamów te produkty osobno.
W Twoim koszyku
szt.
dodane wcześniej
Do wzięcia od ręki
szt.
gotowe do wysyłki dziś
Oczekuje na dostawę
szt.
Limit ilości dla tego produktu
Limit na produkt
szt.
W Twoim koszyku
szt.
Możesz jeszcze dodać
szt.
Limit wprowadziliśmy po to, żeby każdy klient miał szansę kupić swoją sztukę.
Botland
Certyfikat zgodności RoHS
Dyrektywy UE 2011/65/UE i 2015/863 ograniczają stosowanie wymienionych poniżej 10 substancji w produkcji niektórych rodzajów sprzętu elektrycznego.
Choć ograniczenie to prawnie nie obejmuje podzespołów, „zgodność” podzespołów ma znaczenie dla wielu klientów.
Definicja zgodności z RoHS przyjęta przez Botland:
Produkt nie zawiera substancji objętych ograniczeniami w stężeniach i zastosowaniach zakazanych przez dyrektywę,
a w przypadku podzespołów produkt można poddawać obróbce w wyższych temperaturach wymaganych przy lutowaniu bezołowiowym.
Substancje objęte ograniczeniami i ich maksymalne dopuszczalne stężenia wagowe w materiale jednorodnym to:
Substancja
Stężenie (maks.)
Ołów (Pb)
0.1%
Rtęć (Hg)
0.1%
PBB (polibromowane bifenyle)
0.1%
PBDE (polibromowane etery difenylowe)
0.1%
Chrom sześciowartościowy (Cr VI)
0.1%
Kadm (Cd)
0.01%
DEHP (ftalan bis(2-etyloheksylu))
0.1%
BBP (ftalan benzylobutylu)
0.1%
DBP (ftalan dibutylu)
0.1%
DIBP (ftalan diizobutylu)
0.1%
Dostawca wymienionego poniżej artykułu poinformował Botland, że produkt jest „zgodny z RoHS”.
Botland dołożył wszelkich uzasadnionych starań, aby potwierdzić to oświadczenie.
Informacje dotyczą wyłącznie produktów sprzedanych w dniu wydania tego certyfikatu lub później.
Dane produktu zgodnego z dyrektywą
Indeks produktu: KSZ-22790
Opis produktu: Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III - Yuxi (Hayden) Liu
Producent/marka: Helion
Zawarte tu informacje dotyczą produktu sprzedanego nie wcześniej niż w dniu podanym poniżej.
Data wydania: 11.05.2023
Rozszerz gwarancję
Twój sprzęt ma
standardową ochronę 24 mies. w cenie. Z EasyProtect® możesz ją przedłużyć o dodatkowe miesiące - naprawy i wymiany
bez dodatkowych kosztów, obejmuje awarie niezawinione przez użytkownika.
Naprawy w autoryzowanych serwisach - sprzęt wyślesz kurierem w cenie
Gdy naprawa się nie opłaca, otrzymasz nowy egzemplarz
Jednorazowa opłata, bez ukrytych kosztów - to nie ubezpieczenie
Standardowa ochrona jest już zaznaczona - możesz po prostu przejść dalej.