Autori: Sebastian Raschka, Vahid Mirjalili
Strana: 770
► Ostali detalji

Python mašinsko učenje (prevod trećeg izdanja)

• Savladajte radne okvire, modele i tehnike koje omogućavaju mašinama da „uče“ iz podataka.
• Upotrebite scikit-learn za mašinsko učenje i TensorFlow za duboko učenje.
• Primenite mašinsko učenje na klasifikaciju slike, analizu sentimenta, inteligentne veb aplikacije i drugo.
• Izgradite i obučite neuronske mreže, GAN-ove i druge modele.
• Otkrijte najbolju praksu za procenu i podešavanje modela.
• Naučite da predvidite kontinuirane ciljne ishode upotrebom analize regresije.
• „Zaronite“ dublje u tekstualne podatke i podatke društvenih medija upotrebom analize sentimenta.

„Python mašinsko učenje (treće izdanje)“ je sveobuhvatan vodič za mašinsko učenje i duboko učenje upotrebom Pythona. Ova knjiga služi kao uputstvo, korak po korak, i kao referenca kojoj ćete se vraćati dok gradite sisteme mašinskog učenja. Ona uključuje jasna objašnjenja, vizuelizacije i radne primere i obuhvata detaljno sve osnovne tehnike mašinskog učenja. Dok vas neke knjige uče samo da pratite instrukcije, u ovoj knjizi za mašinsko učenje autori Raschka i Mirjalili uče vas principima mašinskog učenja, omogućavajući vam da sami izgradite modele i aplikacije. Ovo treće izdanje je ažurirano za TensorFlow 2.0 i predstavlja čitaocima njegove nove Keras API funkcije, kao i funkcije najnovijeg izdanja scikit-learna. Knjiga je takođe proširena opisom vrhunskih tehnika učenja uslovljavanjem, koje su zasnovane na dubokom učenju, a takođe su predstavljeni i GAN-ovi. Istražićemo i podoblast obrade prirodnog jezika (NLP) pod nazivom analiza sentimenta, što će vam pomoći da naučite kako da koristite algoritme mašinskog učenja za klasifikovanje dokumenata. Ova knjiga je vaš pratilac za mašinsko učenje sa Pythonom, bez obzira da li ste Python programer koji želi da nauči mašinsko učenje ili imate iskustva i želite da produbite znanje najnovijim dostignućima.

• Treće izdanje je najprodavanija, veoma popularna knjiga o Python mašinskom učenju.
• Jasna i intuitivna objašnjenja će vas uvesti duboko u teoriju i praksu Python mašinskog učenja.
• Knjiga je potpuno ažurirana i proširena da bi obuhvatila TensorFlow 2, Generative Adversarial Network modele, učenje uslovljavanjem i najbolju praksu.


Poglavlja
1 Kako da računarima omogućite da uče iz podataka
2 Treniranje jednostavnih algoritama mašinskog učenja za klasifikaciju
3 Predstavljanje klasifikatora mašinskog učenja upotrebom scikit-learna
4 Izgradnja dobrih skupova podataka za trening - pretprocesiranje podataka
5 Kompresovanje podataka pomoću redukcije dimenzionalnosti
6 Učenje najbolje prakse za procenu modela i podešavanje hiperparametara
7 Kombinovanje različitih modela za učenje udruživanjem
8 Primena mašinskog učenja na analizu sentimenta
9 Ugrađivanje modela mašinskog učenja u veb aplikaciju
10 Predviđanje promenljivih kontinualnog cilja pomoću analize regresije
11 Upotreba neoznačenih podataka - analiza klasterovanja
12 Implementiranje višeslojne veštačke neuronske mreže „od nule“
13 Paralelizacija treninga neuronske mreže pomoću TensorFlowa
14 Detaljnije - mehanika TensorFlowa
15 Klasifikacija slika pomoću dubokih konvolucionih neuronskih mreža
16 Modelovanje sekvencijalnih podataka upotrebom rekurentnih neuronskih mreža
17 Generative Adversarial Networks za sintetizovanje novih podataka
18 Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima