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

[html]С помощью 2-го издания бестселлера Себастьяна Рашки - книгой "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow", Вы освоите и сможете использовать передовые технологии машинного обучения, нейронных сетей и глубокого обученияБудучи основательно обновленной с учетом самых последних версий библиотек для Python с открытым исходным кодом - scikit-learn, TensorFlow и др., эта книга предлагает современные практические знания, приемы и методы, которые необходимы для создания и содействия машинному обучению, глубокому обучению и современному анализу больших данныхВ результате комплексного расширения и совершенствования книга теперь охватывает популярную библиотеку глубокого обучения TensorFlow. Код для scikit-learn также был полностью обновлен, чтобы включать последние улучшения и дополнения к этой универсальной библиотеке машинного обученияОбладающие уникальной проницательностью и знанием дела авторы - Себастьяна Рашки и Вахид Мирджалили, ознакомят Вас с алгоритмами машинного обучения и глубокого обучения с нуля и покажут, как применять их к сложным задачам в отрасли, используя реалистичные и очень интересные примеры. К концу чтения книги "Python и машинное обучение" Вы будете готовы встретиться с новыми перспективами анализа данных в сегодняшнем миреЕсли вы читали 1-е издание книги, то Вам доставит удовольствие найти новый баланс классических идей и современных знаний о машинном обучении. Каждая глава книги "Python и машинное обучение" была серьезно обновлена, и появились новые главы по ключевым технологиям. У вас будет возможность изучить и поработать с TensorFlow более вдумчиво, нежели ранее, а также получить важнейший охват библиотеки для нейронных сетей Keras наряду с самыми свежими обновлениями библиотеки scikit-learnВ книге "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow" вы научитесь:- Освоите основные фреймворки в науке о данных, машинном обучении и глубоком обучении- Задействуете в машинном обучении мощь последних библиотек Python с открытым кодом- Овладеете приемами машинного обучения, используя сложные реальные данные- Научитесь строить реализации глубоких нейронных сетей с применением библиотеки TensorFlow- Зададите новые вопросы своим данным через модели машинного обучения и нейронные сети- Изучите механику алгоритмов классификации для построения лучшего инструмента для работы- Научитесь прогнозировать непрерывные целевые результаты, используя регрессионный анализ- Научитесь раскрывать скрытые паттерны и структуры в данных с помощью кластеризации- Углубитесь в текстовые данные и данные социальных сетей с применением смыслового анализаС книгой "Python и машинное обучение" Вы откроете для себя современные приемы машинного и глубокого обучения с помощью Python, используя самые последние версии библиотек с открытым исходным кодом - scikit-learn, TensorFlow и др.Об авторах:Себастьян Рашка, автор ставшего бестселлером 1-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. Оглавление книги "Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow" Предисловие 18Глава 1. Наделение компьютеров способностью обучения на данных 27Глава 2. Обучение простых алгоритмов МО для классификации 47Глава 3. Обзор классификаторов на основе машинного обученияс использованием scikit-learn 83Глава 4. Построение хороших обучающих наборов с помощьюпредварительной обработки данных 141Глава 5. Сжатие данных с помощью понижения размерности 179Глава 6. Изучение практического опыта оценки моделейи настройки гиперпараметров 225Глава 7. Объединение разных моделей для ансамблевого обучения 263Глава 8. Применение машинного обучения для смыслового анализа 301Глава 9. Встраивание модели машинного обучения в веб-приложение 331Глава 10. Прогнозирование значений непрерывных целевых переменных с помощью регрессионного анализа 361Глава 11. Работа с непомеченными данными - кластерный анализ 401Глава 12. Реализация многослойной искусственной нейронной сети с нуля 437Глава 13. Распараллеливание процесса обучения нейронных сетейс помощью TensorFlow 479Глава 14. Погружаемся глубже - механика TensorFlow 513Глава 15. Классификация изображений с помощью глубоких сверточных нейронных сетей 553Глава 16. Моделирование последовательных данных с использованием рекуррентных нейронных сетей 597Предметный указатель 644[/html]