Описание
Исчерпывающее руководство по машинному (МО) и глубокому обучению с использованием языка программирования Python, фреймворка PyTorch и библиотеки scikit-learn. Рассмотрены основы МО, алгоритмы для задач классификации, классификаторы на основе scikit-learn, предварительная обработка и сжатие данных, современные методы оценки моделей и объединение различных моделей для ансамблевого обучения. Рассказано о применении МО для анализа текста и прогнозировании непрерывных целевых переменных с помощью регрессионного анализа, кластерном анализе и обучении без учителя, показано построение многослойной искусственной нейронной сети с нуля. Раскрыты продвинутые возможности PyTorch для решения сложных задач. Описано применение глубоких сверточных и рекуррентных нейронных сетей, трансформеров, генеративных состязательных и графовых нейронных сетей, Особое внимание уделено обучению с подкреплением для систем принятия решений в сложных средах. Электронный архив содержит цветные иллюстрации и коды всех примеров.
Для программистов в области машинного обучения
Разрабатывайте модели машинного и глубокого обучения с помощью Python
Перед вами не только исчерпывающее руководство по машинному и глубокому обучению с использованием Python, фреймворка PyTorch и библиотеки scikit-learn. но и справочник, к которому вы будете постоянно возвращаться при создании систем машинного обучения. Книга подробно описывает все основные методы машинного обучения и содержит четкие пояснения, визуализации и примеры. Автор стремится научить читателя принципам самостоятельного создания моделей и приложений, а не просто следовать жестким инструкциям.
Описаны новые дополнения к библиотеке scikit-learn. Рассмотрены различные методы машинного и глубокого обучения для классификации текста и изображений. Рассказано о генеративно-состязательных сетях (GAN) для синтеза новых данных и обучения интеллектуальных агентов Освещены последние тенденции в области глубокого обучения, включая введение в графовые нейронные сети и крупномасштабные преобразователи, используемые для обработки естественного языка (NLP). Книга будет полезна как начинающим разработчикам на Python, слабо знакомым с машинным обучением, так и опытным, желающим углубить свои знания.
Вы изучите:
- фреймворки, модели и методы машинного обучения, применимые к широкому кругу задач и наборов данных;
- библиотеку scikit-learn для машинного обучения и фреймворк PyTorch для глубокого обучения;
- приемы обучения классификаторов на изображениях, тексте и т. д.;
- средства создания и обучения нейронных сетей, преобразователей и графических нейронных сетей;
- передовые методы оценки и настройки моделей.
Вы сможете глубже понять:
- прогнозирование непрерывных целевых результатов с помощью регрессионного анализа;
- особенности текстовых данных и данных из социальных сетей с помощью тонального анализа.
Я уверен, что эта книга станет для вас бесценным источником теоретических знаний в области машинного обучения и сокровищницей практических идей. Я надеюсь, что она вдохновит вас на новые потрясающие достижения, независимо от того, какие задачи вы решаете.
Дмитро Джулгаков, ведущий разработчик PyTorch Core
Юси (Хэйден) Лю — инженер-программист, отдел машинного обучения в Google. Он разрабатывает и совершенствует модели и системы машинного обучения для оптимизации рекламы в крупнейшей поисковой системе мира.
Вахид Мирджалили — исследователь глубокого обучения, специализирующийся на приложениях CV. Вахид получил степень доктора философии. Степень в области машиностроения и компьютерных наук Мичиганского государственного университета.
Себастьян Рашка — доцент кафедры статистики в Университете Висконсин-Мэдисон, специализирующийся на исследованиях в области машинного обучения и глубокого обучения. Будучи ведущим преподавателем искусственного интеллекта в Grid AI, Себастьян планирует и дальше следовать своей страсти — помогать людям осваивать машинное обучение и искусственный интеллект.
Отзывы
Отзывов пока нет.