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 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.
Эта книга — 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 анализа
Прикладное машинное обучение с прочным теоретическим фундаментом.
Новое 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 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.
Все иллюстрации к книге в цветном варианте доступны по адресу go.dialektika.com/pythonml
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.
В свободное время Себастьян любит участвовать в проектах с открытым кодом, а методы, которые он реализовал, теперь успешно используются в состязаниях по машинному обучению, таких как Kaggle.
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.
Наряду с тем, что обширные исследовательские интересы Вахида сконцентрированы на приложениях глубокого обучения и компьютерного зрения, он особенно интересуется использованием приемов глубокого обучения для усиления приватности в биометрических данных, таких как изображения лиц, чтобы не раскрывалась информация сверх той, что пользователи намеревались показывать. Кроме того, он также сотрудничает с командой инженеров, работающих над беспилотными автомобилями, где проектирует модели на основе нейронных сетей для слияния многоспектральных изображений с целью обнаружения пешеходов.

lgrsnf/Python_и_машинное_обучение_2020_Рашка,_Мирджалили.pdf

zlib/Computers/Cybernetics/Себастьян Рашка, Вахид Мирджалили/Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2_6153565.pdf

Рашка, Себастьян

Диалектика; Диалектика

Dialektika

Russia, Russian Federation

lg2837141

{"edition":"3","isbns":["5907203579","9785907203570"],"last_page":848,"publisher":"ООО \"Диалектика\""}

Предм. указ.: с. 835-846
Пер.: Raschka, Sebastian Python machine learning Birmingham, Mumbai : Packt, cop. 2019 978-1-78995-575-0

РГБ

Russian State Library [rgb] MARC:
=001 010476613
=005 20201125120140.0
=008 201109s2020\\\\ru\||||\\\\\\\0||\|\rus|d
=017 \\ $a КН-П-20-071013 $b RuMoRKP
=020 \\ $a 978-5-907203-57-0 $c 500 экз.
=040 \\ $a RuMoRGB $b rus $e rcr
=041 1\ $a rus $h eng
=044 \\ $a ru
=084 \\ $a З973.236-018.19Python,07 $2 rubbk
=100 1\ $a Рашка, Себастьян
=245 00 $a Python и машинное обучение : $b машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2 : [охватывает TensorFlow 2, порождающие состязательные сети и обучение с подкреплением] $c Себастьян Рашка, Вахид Мирджалили ; перевод с английского и редакция Ю. Н. Артеменко
=250 \\ $a 3-е изд.
=260 \\ $a Москва $b Диалектика ; $a Санкт-Петербург $b Диалектика $c 2020
=300 \\ $a 846 с. $b ил., табл. $c 24 см
=336 \\ $a Текст (визуальный)
=337 \\ $a непосредственный
=490 0\ $a Мнение экспертов
=500 \\ $a Предм. указ.: с. 835-846
=534 \\ $p Пер.: $a Raschka, Sebastian $t Python machine learning $c Birmingham, Mumbai : Packt, cop. 2019 $z 978-1-78995-575-0
=650 \7 $a Техника. Технические науки -- Энергетика. Радиоэлектроника -- Энергетика -- Вычислительная техника -- Вычислительные машины электронные цифровые -- Обучающие машины -- Языки программирования -- Python -- Пособие для специалистов $2 rubbk
=653 \\ $a Pithon
=653 \\ $a scikit-learn
=653 \\ $a TensorFlow 2
=700 1\ $a Мирджалили, Вахид
=852 \\ $a РГБ $b FB $j 2 20-59/140 $x 90
=852 7\ $a РГБ $b CZ2 $h З-813/Р28 $x 83

Предисловие 20
Глава 1. Наделение компьютеров способностью обучения на данных 29
Глава 2. Обучение простых алгоритмов МО для классификации 49
Глава 3. Обзор классификаторов на основе машинного обучения с использованием scikit-learn 85
Глава 4. Построение хороших обучающих наборов — предварительная обработка данных 145
Глава 5. Сжатие данных с помощью понижения размерности 185
Глава 6. Освоение практического опыта оценки моделей и настройки гиперпараметров 233
Глава 7. Объединение разных моделей для ансамблевого обучения 273
Глава 8. Применение машинного обучения для смыслового анализа 313
Глава 9. Встраивание модели машинного обучения в веб-приложение 343
Глава 10. Прогнозирование значений непрерывных целевых переменных с помощью регрессионного анализа 377
Глава 11. Работа с непомеченными данными — кластерный анализ 419
Глава 12. Реализация многослойной искусственной нейронной сети с нуля 455
Глава 13. Распараллеливание процесса обучения нейронных сетей с помощью TensorFlow 501
Глава 14. Погружаемся глубже — механика TensorFlow 555
Глава 15. Классификация изображений с помощью глубоких сверточных нейронных сетей 609
Глава 16. Моделирование последовательных данных с использованием рекуррентных нейронных сетей 665
Глава 17. Порождающие состязательные сети для синтеза новых данных 723
Глава 18. Обучение с подкреплением для принятия решений в сложных средах 781
Предметный указатель 835

2020-11-10