Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем, 2-е издание

[html]Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера "Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем, 2-е издание", опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.Вы освоите широкий спектр методик, которые можно быстро задействовать на практике. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Весь код доступен на GitHub. Он был обновлен с учетом TensorFlow 2 и последней версии Scikit-Learn.Особенности книги:- Изучите основы машинного обучения на сквозном проекте с применением Scikit-Learn и Pandas- Постройте и обучите нейронные сети с многочисленными архитектурами для классификации и регрессии, используя TensorFlow 2- Ознакомьтесь с выявлением объектов, семантической сегментацией, механизмами внимания, языковыми моделями, порождающими состязательными сетями и многим другим- Исследуйте Keras API - официальный высокоуровневый API-интерфейс для TensorFlow 2- Запускайте в производство модели TensorFlow с применением Data API из TensorFlow, стратегий распределения, TF Transform и TF Serving- Развертывайте модели на платформе AI Platform инфраструктуры Google Cloud или на мобильных устройствах- Используйте методики обучения без учителя, такие как понижение размерности, кластеризация и обнаружение аномалий- Создавайте автономные обучающиеся агенты с помощью обучения с подкреплением, в том числе с применением библиотеки TF-AgentsОтзывы экспертов:Выдающийся ресурс для изучения машинного обучения. Вы найдете здесь ясные и интуитивно понятные объяснения, а также обилие практических советов.Франсуа Шолле, автор библиотеки Keras, автор книги Deep Learning with PythonЭта книга - замечательное введение в теорию и практику решения задач с помощью нейронных сетей; я рекомендую ее всем, кто заинтересован в освоении практического машинного обучения.Пит Уорден, руководитель команды мобильной разработки TensorFlowОб авторе:Орельен Жерон - консультант и инструктор по машинному обучению.Бывший работник компании Google, с 2013 по 2016 год он руководил командой классификации видеороликов YouTube. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst (ведущего поставщика услуг беспроводного доступа к Интернету во Франции).Оглавление книги "Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем, 2-е издание"Часть I. Основы машинного обучения 33Глава 1. Введение в машинное обучение 35Глава 2. Полный проект машинного обучения 77Глава 3. Классификация 139Глава 4. Обучение моделей 171Глава 5. Методы опорных векторов 219Глава 6. Деревья принятия решений 245Глава 7. Ансамблевое обучение и случайные леса 261Глава 8. Понижение размерности 289Глава 9. Методики обучения без учителя 315Часть II. Нейронные сети и глубокое обучение 367Глава 10. Введение в искусственные нейронные сети с использованием Keras 369Глава 11. Обучение глубоких нейронных сетей 435Глава 12. Специальные модели и обучение с помощью TensorFlow 491Глава 13. Загрузка и предварительная обработка данных с помощью TensorFlow 537Глава 14. Глубокое компьютерное зрение с использованием сверточных нейронных сетей 579Глава 15. Обработка последовательностей с использованиемрекуррентных и сверточных нейронных сетей 645Глава 16. Обработка естественного языка с помощью рекуррентныхнейронных сетей и внимания 679Глава 17. Обучение представлению и порождению с использованием автокодировщиков и порождающих состязательных сетей 733Глава 18. Обучение с подкреплением 785Глава 19. Широкомасштабное обучение и развертывание моделей TensorFlow 857Приложение А. Решения упражнений 924Приложение Б. Контрольный перечень для проекта машинного обучения 974Приложение В. Двойственная задача SVM 981Приложение Г. Автоматическое дифференцирование 984Приложение Д. Другие популярные архитектуры искусственных нейронных сетей 992Приложение Е. Специальные структуры данных 1003Приложение Ж. Графы TensorFlow 1011Предметный указатель 1021[/html]