Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2, 3-е издание

[html]Книга "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2, 3-е издание" является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.Книга наполнена четкими пояснениями, визуальными представлениями, работающими примерами и детально раскрывает все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей.Книга "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2, 3-е издание" — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях.Основные темы книги:- Фреймворки, модели и методики, которые позволяют машинам "учиться" на основе данных- Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения- Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого- Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей- Реализация веб-приложений с искусственным интеллектом- Выполнение очистки и подготовки данных для машинного обучения- Классификация изображений с использованием глубоких сверточных нейронных сетей- Рекомендуемые приемы для оценки и настройки моделей- Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа- Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации- Углубление в текстовые данные и данные социальных сетей с применением смыслового анализаНовое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением. Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.Книга "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2, 3-е издание" наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов.Об авторах:Себастьян Рашка, автор ставшего бестселлером 2-го издания этой книги, обладает многолетним опытом написания кода на языке Python. Он проводил многочисленные семинары по практическому применению науки о данных, машинному обучению и глубокому обучению, включая руководство по машинному обучению на SciPy — ведущей конференции, посвященной научным расчетам с помощью Python.Несмотря на то что исследовательские проекты Себастьяна сосредоточены главным образом на решении задач в области вычислительной биологии, ему нравится писать и говорить на темы науки о данных, машинного обучения и языка Python в общем, и он стремится помочь людям разрабатывать решения, управляемые данными, без обязательного знания подоплеки машинного обучения.Недавно его работа и вклад были отмечены званием выдающегося аспиранта 2016–2017, а также наградой ACM Computing Reviews’ Best of 2016.Вахид Мирджалили получил звание PhD в машиностроении, работая над новаторскими методами для крупномасштабных вычислительных эмуляций молекулярных структур. В настоящее время он сосредоточил свою научно-исследовательскую работу на приложениях машинного обучения в разнообразных проектах компьютерного зрения в отделении компьютерных наук и инженерии Университета штата Мичиган.Вахид избрал Python в качестве главного языка программирования, и на протяжении своей научно-исследовательской карьеры накопил громадный опыт в написании кода Python. Он преподавал программирование на Python инженерной группе в Университете штата Мичиган, что дало ему возможность помочь студентам понять разные структуры данных и разрабатывать эффективный код на Python.Оглавление книги "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2"Предисловие 20Глава 1. Наделение компьютеров способностью обучения на данных 29Глава 2. Обучение простых алгоритмов МО для классификации 49Глава 3. Обзор классификаторов на основе машинного обучения с использованием scikit-learn 85Глава 4. Построение хороших обучающих наборов —предварительная обработка данных 145Глава 5. Сжатие данных с помощью понижения размерности 185Глава 6. Освоение практического опыта оценки моделейи настройки гиперпараметров 233Глава 7. Объединение разных моделей для ансамблевого обучения 273Глава 8. Применение машинного обучения для смыслового анализа 313Глава 9. Встраивание модели машинного обучения в веб-приложение 343Глава 10. Прогнозирование значений непрерывных целевыхпеременных с помощью регрессионного анализа 377Глава 11. Работа с непомеченными данными — кластерный анализ 419Глава 12. Реализация многослойной искусственной нейронной сети с нуля 455Глава 13. Распараллеливание процесса обучения нейронных сетейс помощью TensorFlow 501Глава 14. Погружаемся глубже — механика TensorFlow 555Глава 15. Классификация изображений с помощью глубокихсверточных нейронных сетей 609Глава 16. Моделирование последовательных данных с использованием рекуррентных нейронных сетей 665Глава 17. Порождающие состязательные сети для синтеза новых данных 723Глава 18. Обучение с подкреплением для принятия решенийв сложных средах 781Предметный указатель 835[/html]