Pre -sale Sebastian Raschka "Python Machine Learning 3 (Часть 2)" Бошуо
Цена: 2 599руб. (¥123)
Артикул: 674157793679
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:俊杰视点图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥781 649руб.
¥1092 304руб.
¥1182 494руб.
¥19.8419руб.
Python Machine Learning Третье издание (Часть 2) Python Machine Learning - Третье издание Подробная информация Автор: Себастьян Раску издательство: Боуэн Дата публикации: 2020/10/06 Версия, добавлен практическое содержание, такое как Tensorflow 2, Gan и Enhanced Learning
Используйте Python Scikit-Learn и Tensorflow 2, чтобы интегрироваться с компьютерным обучением и глубоким обучением. Идите шаг за шагом, от чистого до глубины, и будьте легко ценить, продвигать и развиваться! Последний пересмотр «Третьего издания Python Machine Learning»-это всеобъемлющее руководство, которое не следует пропустить и является необходимым справочником для читателей при создании системы машинного обучения.В отличие от других учебников машинного обучения, эта книга использует Python для изучения технической сущности машинного обучения и углубленного обучения, подчеркивает практические примеры программы, хорошо структурированные математические объяснения и интуитивные и дружественные иллюстрации, ведущие читателей для изучения многосекционной области машинного обучения и привносят концепцию турбулентности к жизни.Многие читатели сказали нам, что им нравятся первые 12 глав второго издания этой книги, потому что они всесторонне вводят научные расчеты машинного обучения и питона.Чтобы обеспечить актуальность этого содержимого, мы следовали ответу читателей, рассмотрели и пересмотрели эти главы, чтобы поддержать последние версии Numpy, Scipy, Pandas, Matplotlib и Scikit-Learn, и планировал загрузку этой книги. Tensorflow 2.0 является одним из самых душераздирающих событий в области глубокого обучения.Все главы, связанные с Tensorflow (глава 13 на главу 16, регистрация книги затрат на планирование) была значительно изменена. В дополнение к представлению новейших функций API и Scikit-Learn Keras и Scikit-Learn, также исследует обработку естественного языка
(NLP) субдомен «Анализ обследования» и самые популярные технологии ИИ во времена укрепления обучения (RL) и генерации контр-найла (GAN) (глава 17 и 18).Независимо от того, являетесь ли вы опытным дизайнером программ, новичком в области машинного обучения, или вы просто хотите еще больше понять последние разработки в области машинного обучения, эта книга станет вашим идеальным компаньоном в вашем путешествии машинного обучения.В этой книге вы узнаете:
● Осветите структуру, модель и технологию, которые могут «изучить» машину из данных
● Используйте Scikit-Learn для машинного обучения и используйте TensorFlow для глубокого обучения
● Используйте машинное обучение для выполнения классификации изображений, анализа эмоций и интеллектуальных веб -приложений
● Обучение нейронной сети, GAN и других моделей
● Сочетание моделей машинного обучения и веб -приложений
● Очистка и подготовка данных для работы машинного обучения
● Категоризируйте изображения, используя нейронную сеть глубокой катушки
● Понять лучшие методы оценки и настройки моделей
● Используйте реабилитационный анализ для прогнозирования непрерывных целей
● Используйте «кластер», чтобы обнаружить скрытые закономерности и структуры в данных
● Используйте «эмоциональный анализ» для подробного изучения текстовых и социальных сетей
● Верхняя книга содержит первые 12 глав этой книги, а нижняя книга содержит главы с 13 по 18. 【Следующий файл программы «Пример Zai»】
Код для этой книги из GitHub.Вы можете нажать на следующий шаблон, чтобы перейти к следующему Zai:
github.com/rasbt/python-machine-learning-book-3rd-edition 【красочные картинки следующей книги】
Мы также предоставляем вам файл PDF, содержащий цветные диаграммы, используемые в этой книге, которые можно найти ниже:
static.packt-cdn.com/downloads/9781789955750_colorimages.pdf Directory Предисловие Глава 13: Обучение параллелизирующим нейронные сети с Tensorflow
Tensorflow и тренировочные результаты
Первый шаг к использованию TensorFlow
Используйте td.data для создания входных трубопроводов - API набора данных TensorFlow
Создание модели NN в TensorFlow
Выберите функцию начала для многослойных сетей
Глава 14: Более глубокий в рабочей машине Tensorflow
система
Основные особенности TensorFlow
Схема расчета тензора: перенос в Tensorflow v2
Объект переменной TensorFlow, используемый для хранения и обновления параметров модели
Рассчитайте градиенты, используя автоматическую дифференциал и градиенттап
Упростить реализацию общей архитектуры через API кераса
Оценка Tensorflow
Глава 15: Использование нейронной сети для глубокого сбора в классификацию изображений категории
Модули в нейронной сети тома
Интегрируйте все компоненты для создания CNN
Использование TensorFlow для реализации Deep CNN
Используйте CNN, чтобы классифицировать изображения лица
Глава 16: Данные последовательности моделирования с использованием репродуктивной нейронной сети
Введение в данные последовательности
Данные последовательности моделирования с использованием RNN
Используйте TensorFlow для реализации моделирования последовательности многослойных RNNS
Узнайте язык, используя модель преобразования
Глава 17: Используйте генерацию против Интернета, чтобы синтезировать новые данные
Генерировать введение сети конфронтации
Начните реализовать GAN с самого начала
Используйте объемы и Wasserstein Gan для улучшения качества синтетических изображений
Другие приложения GAN
Глава 18: принимайте решения с улучшенным обучением в сложных условиях
ВВЕДЕНИЕ - Учитесь на опыте
Теоретическая основа RL
Укрепление алгоритма обучения
Реализуйте наш первый алгоритм RL
Введение в метод обучения глубокого Q
Глава и краткое изложение этой книги
