Mašinsko učenje: Scikit-Learn, Keras i TensorFlow: koncepti, alati i tehnike za izgradnju inteligent

Kroz seriju otkrića, duboko učenje dalo je zamah celom polju mašinskog učenja. Sada čak i programeri koji skoro ništa ne znaju o ovoj tehnologiji mogu da koriste jednostavne, efikasne alate za primenu programa sposobnih za učenje iz podataka. Ažurirano izdanje ove najprodavanije knjige koristi konkretne primere, minimalno teorije i Pythonove radne okvire spremne za upotrebu kako bi vam pomogli da steknete intuitivno razumevanje koncepata i alata za izgradnju inteligentnih sistema.
Naučićete niz tehnika koje možete brzo da upotrebite. Uz vežbe u svakom poglavlju koje će vam pomoći da primenite naučeno, sve što vam je potrebno je iskustvo programiranja da biste krenuli. Celokupan kôd je dostupan na GitHubu. Ažuriran je na TensorFlow 2 i najnoviju verziju Scikit-Learna.

• Naučite osnove mašinskog učenja kroz projekat od početka do kraja koristeći Scikit-Learn
• Izgradite i obučite razne arhitekture neuronskih mreža za klasifikaciju i regresiju koristeći TensorFlow 2
• Saznajte o detekciji objekata, semantičkoj segmentaciji, mehanizmima pažnje, jezičkim modelima, GAN-ovima i još mnogo toga
• Istražite Keras API, zvanični API visokog nivoa za TensorFlow 2
• Pustite u primenu modele TensorFlow koristeći TensorFlowov Data API, API strategije distribucije, TF Transform i TF-Serving
• Primenite na Google Cloud AI platformi ili na mobilnim uređajima
• Upotrebite tehnike nenadgledanog učenja, kao što su redukcija dimenzija, klasterovanje i otkrivanje anomalija
• Stvorite samostalne agente za učenje pomoću forsiranog učenja, uz korišćenje biblioteke TF

Sadržaj
Predgovor, xv

Deo I Osnove mašinskog učenja
Pejzaž mašinskog učenja, 3
Projekat mašinskog učenja od početka do kraja, 37
Klasifikacija, 85
Obučavanje modela, 109
Mašine sa vektorima podrške, 147
Stabla odluka, 167
Učenje u ansamblu i nasumične šume, 179
Redukcija dimenzionalnosti, 203
Tehnike nenadgledanog učenja, 223

Deo II Neuronske mreže i duboko učenje
Uvod u veštačke neuronske mreže sa Kerasom, 265
Obuka dubokih neuronskih mreža, 313
Namenski modeli i obuka pomoću TensorFlowa, 355
Učitavanje i predobrada podataka u TensorFlowu, 389
Doboki kompjuterski vid upotrebom konvolucionih neuronskih mreža, 419
Obrada sekvenci pomoću RNN i CNN, 467
Obrada govornog jezika pomoću RNN i pažnje, 493
Reprezentativno učenje i generativno učenje pomoću
automatskih kodera i GAN-ova, 531
Forsirano učenje, 569
Obuka i uvođenje u primenu modela TensorFlow po meri, 621
Rešenja vežbi, 669
Kontrolna lista projekta mašinskog učenja, 703
Problem dualnosti SVM, 709
Autodiff , 713
Ostale popularne arhitekture veštačkih neuronskih mreža, 721
Specijalne strukture podataka, 731
TensorFlow grafovi, 737

Dodaci
A Rešenja vežbi, 669
B Kontrolna lista projekta mašinskog učenja, 703
C Problem dualnosti SVM, 709
D Autodiff, 713
E Ostale popularne arhitekture veštačkih neuronskih mreža, 721
F Specijalne strukture podataka, 731
G TensorFlow grafovi, 737

Rečnik termina korišćenih u knjizi, 745
Indeks, 753