Veze, linkovi
Kompjuter biblioteka
Korpa
Mašinsko učenje: Scikit-Learn, Keras i TensorFlow: koncepti, alati i tehnike za izgradnju inteligent

Mašinsko učenje Mašinsko učenje

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

Autor: Aurélien Géron
Broj strana: 798
ISBN broj: 978-86-7555-449-3
Izdavač: Mikro knjiga Mikro knjiga
Godina izdanja: 2021.

                 
Twitter   Facebook   Linkedin   Pinterest   Email
                 
         
   
Naruči ili rezerviši sa 40 % popusta
 
         
         
Cena: 3500 rsd Vi plaćate: 3150 rsd

• Isporuka za 24 časa (osim za knjige u pretplati)
• Plaćanje kuriru

 

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

 

 

Budite prvi koji će ostaviti komentar.

Ostavite komentar Ostavite komentar

 

Preporučujemo

Principles of Data Science

Principles of Data Science

MATLAB for Machine Learning

MATLAB for Machine Learning

Veze, linkovi
Linkedin Twitter Facebook
 
     
 
© Sva prava pridržana, Kompjuter biblioteka, Beograd, Obalskih radnika 4a, Telefon: +381 11 252 0 272