Python machine learning рашка

Python и машинное обучение

Также данная книга доступна ещё в библиотеке. Запишись сразу в несколько библиотек и получай книги намного быстрее.

Посоветуйте книгу друзьям! Друзьям – скидка 10%, вам – рубли

По вашей ссылке друзья получат скидку 10% на эту книгу, а вы будете получать 10% от стоимости их покупок на свой счет ЛитРес. Подробнее

• Объем: 420 стр.
• Жанр:з арубежная компьютерная литература, п рограммирование
• Теги:а нализ данных, м ашинное обучение, н ейронные сети, о бработка данных, п рогнозирование, я зык PythonРедактировать

По абонементу вы каждый месяц можете взять из каталога одну книгу до 700 ₽ и две книги из специальной подборки. Узнать больше

Книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из лидирующих языков науки о данных. Охватывая широкий круг мощных библиотек Python, в том числе scikit-learn, Theano и Keras, предлагая руководство и советы по всем вопросам, начиная с анализа мнений и заканчивая нейронными сетями, книга ответит на большинство ваших вопросов по машинному обучению. Издание предназначено для специалистов по анализу данных, находящихся в поисках более широкого и практического понимания принципов машинного обучения.

Возрастное ограничение: 0+ Дата выхода на ЛитРес: 30 октября 2019 Дата перевода: 2017 Дата написания: 2015 Объем: 420 стр.

ISBN: 978-5-97060-409-0 Общий размер: 20 MB Общее кол-во страниц: 420 Размер страницы: Переводчик: Правообладатель: ДМК Пресс

«Python и машинное обучение» — читать онлайн бесплатно фрагмент книги. Оставляйте комментарии и отзывы, голосуйте за понравившиеся.

Источник

Рашка, Мирджалили: Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn

Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn

Курьер 0 ₽ 35 %

Аннотация к книге «Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn»

Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.

Книга наполнена четкими пояснениями, визуальными представлениями, работающими примерами и детально раскрывает все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.

Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей.

Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке.

Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.

Книга наполнена четкими пояснениями, визуальными представлениями, работающими примерами и детально раскрывает все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.

Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей.

Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях.

Основные темы книги
Фреймворки, модели и методики, которые позволяют машинам «учиться» на основе данных
Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения
Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого
Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей
Реализация веб-приложений с искусственным интеллектом
Выполнение очистки и подготовки данных для машинного обучения
Классификация изображений с использованием глубоких сверточных нейронных сетей
Рекомендуемые приемы для оценки и настройки моделей
Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа
Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации
Углубление в текстовые данные и данные социальных сетей с применением смыслового анализа
Прикладное машинное обучение с прочным теоретическим фундаментом.

Новое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением. Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения.

Книга наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения.

Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов.

Книга обсуждается в отдельном сообщении в блоге Виктора Штонда.
3-е издание.

Источник

Saved searches

Use saved searches to filter your results more quickly

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session.

The «Python Machine Learning (3rd edition)» book code repository

License

rasbt/python-machine-learning-book-3rd-edition

This commit does not belong to any branch on this repository, and may belong to a fork outside of the repository.

Name already in use

A tag already exists with the provided branch name. Many Git commands accept both tag and branch names, so creating this branch may cause unexpected behavior. Are you sure you want to create this branch?

Sign In Required

Please sign in to use Codespaces.

Launching GitHub Desktop

If nothing happens, download GitHub Desktop and try again.

Launching GitHub Desktop

If nothing happens, download GitHub Desktop and try again.

Launching Xcode

If nothing happens, download Xcode and try again.

Launching Visual Studio Code

Your codespace will open once ready.

There was a problem preparing your codespace, please try again.

Latest commit

Git stats

Files

Failed to load latest commit information.

README.md

Python Machine Learning (3rd Ed.) Code Repository

Code repositories for the 1st and 2nd edition are available at

Python Machine Learning, 3rd Ed.

to be published December 12th, 2019

Paperback: 770 pages
Publisher: Packt Publishing
Language: English

ISBN-10: 1789955750
ISBN-13: 978-1789955750
Kindle ASIN: B07VBLX2W7

Table of Contents and Code Notebooks

Helpful installation and setup instructions can be found in the README.md file of Chapter 1

Please note that these are just the code examples accompanying the book, which we uploaded for your convenience; be aware that these notebooks may not be useful without the formulae and descriptive text.

1. Machine Learning — Giving Computers the Ability to Learn from Data [open dir]
2. Training Machine Learning Algorithms for Classification [open dir]
3. A Tour of Machine Learning Classifiers Using Scikit-Learn [open dir]
4. Building Good Training Sets – Data Pre-Processing [open dir]
5. Compressing Data via Dimensionality Reduction [open dir]
6. Learning Best Practices for Model Evaluation and Hyperparameter Optimization [open dir]
7. Combining Different Models for Ensemble Learning [open dir]
8. Applying Machine Learning to Sentiment Analysis [open dir]
9. Embedding a Machine Learning Model into a Web Application [open dir]
10. Predicting Continuous Target Variables with Regression Analysis [open dir]
11. Working with Unlabeled Data – Clustering Analysis [open dir]
12. Implementing a Multi-layer Artificial Neural Network from Scratch [open dir]
13. Parallelizing Neural Network Training with TensorFlow [open dir]
14. Going Deeper: The Mechanics of TensorFlow [open dir]
15. Classifying Images with Deep Convolutional Neural Networks [open dir]
16. Modeling Sequential Data Using Recurrent Neural Networks [open dir]
17. Generative Adversarial Networks for Synthesizing New Data [open dir]
18. Reinforcement Learning for Decision Making in Complex Environments [open dir]

Raschka, Sebastian, and Vahid Mirjalili. Python Machine Learning, 3rd Ed. Packt Publishing, 2019.

@book, author = , edition = , isbn = , publisher = , title = >, year = > 

Источник