"Выдающийся ресурс для изучения машинного обучения. Вы найдете здесь ясные и интуитивно понятные объяснения, а также обилие практических советов".
Франсуа Шолле, автор библиотеки Keras, автор книги Deep Learning with Python
"Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей; я рекомендую ее всем, кто заинтересован в освоении практического машинного обучения".
Пит Уорден, руководитель команды мобильной разработки TensorFlow
Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера, опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.
Вы освоите широкий спектр методик, которые можно быстро задействовать на практике. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Весь код доступен на GitHub. Он был обновлен с учетом TensorFlow 2 и последней версии Scikit-Learn.
Особенности книги
• Изучите основы машинного обучения на сквозном проекте с применением Scikit-Learn и Pandas
• Постройте и обучите нейронные сети с многочисленными архитектурами для классификации и регрессии, используя TensorFlow 2
• Ознакомьтесь с выявлением объектов, семантической сегментацией, механизмами внимания, языковыми моделями, порождающими состязательными сетями и многим другим
• Исследуйте Keras API — официальный высокоуровневый API-интерфейс для TensorFlow 2
• Запускайте в производство модели TensorFlow с применением Data API из TensorFlow, стратегий распределения, TF Transform и TF Serving
• Развертывайте модели на платформе AI Platform инфраструктуры Google Cloud или на мобильных устройствах
• Используйте методики обучения без учителя, такие как понижение размерности, кластеризация и обнаружение аномалий
• Создавайте автономные обучающиеся агенты с помощью обучения с подкреплением, в том числе с применением библиотеки TF-Agents
Об авторе
Орельен Жерон — консультант и инструктор по машинному обучению.
Бывший работник компании Google, с 2013 по 2016 год он руководил командой классификации видеороликов YouTube. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst (ведущего поставщика услуг беспроводного доступа к Интернету во Франции).
Author(s): Орельен Жерон
Edition: 2
Publisher: Диалектика
Year: 2020
Language: Russian
Pages: 1040
City: СПб.
Tags: Machine Learning;Neural Networks;Deep Learning;Natural Language Processing;Unsupervised Learning;Reinforcement Learning;Decision Trees;Computer Vision;Supervised Learning;Python;Convolutional Neural Networks;Recurrent Neural Networks;Generative Adversarial Networks;Classification;Clustering;Support Vector Machines;Transfer Learning;Data Visualization;Sentiment Analysis;Keras;TensorFlow;Online Learning;Deployment;Gradient Descent;Hyperparameter Tuning;Linear Regression;Logistic Regression
асть I. Основы машинного обучения 33
Глава 1. Введение в машинное обучение 35
Глава 2. Полный проект машинного обучения 77
Глава 3. Классификация 139
Глава 4. Обучение моделей 171
Глава 5. Методы опорных векторов 219
Глава 6. Деревья принятия решений 245
Глава 7. Ансамблевое обучение и случайные леса 261
Глава 8. Понижение размерности 289
Глава 9. Методики обучения без учителя 315
Часть II. Нейронные сети и глубокое обучение 367
Глава 10. Введение в искусственные нейронные сети с использованием Keras 369
Глава 11. Обучение глубоких нейронных сетей 435
Глава 12. Специальные модели и обучение с помощью TensorFlow 491
Глава 13. Загрузка и предварительная обработка данных с помощью TensorFlow 537
Глава 14. Глубокое компьютерное зрение с использованием сверточных нейронных сетей 579
Глава 15. Обработка последовательностей с использованием
рекуррентных и сверточных нейронных сетей 645
Глава 16. Обработка естественного языка с помощью рекуррентных
нейронных сетей и внимания 679
Глава 17. Обучение представлению и порождению с использованием автокодировщиков и порождающих состязательных сетей 733
Глава 18. Обучение с подкреплением 785
Глава 19. Широкомасштабное обучение и развертывание моделей TensorFlow 857
Приложение А. Решения упражнений 924
Приложение Б. Контрольный перечень для проекта машинного обучения 974
Приложение В. Двойственная задача SVM 981
Приложение Г. Автоматическое дифференцирование 984
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей 992
Приложение Е. Специальные структуры данных 1003
Приложение Ж. Графы TensorFlow 1011
Предметный указатель 1021
