Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Орельен Жерон

концепции, инструменты и техники для создания интеллектуальных систем

“Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения.” — Пит Уорден, технический руководитель направления TensorFlow.
Благодаря серии недавних 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 основе данных.
В настоящем практическом руководстве показано, что и как следует делать. За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем.
Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.

Оглавление книги Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow:

• Часть I. Основы машинного обучения
• Глава 1. Введение в машинное обучение
• Глава 2. Полный проект машинного обучения
• Глава 3. Классификация
• Глава 4. Обучение моделей
• Глава 5. Методы опорных векторов
• Глава 6. Деревья принятия решений
• Глава 7. Ансамблевое обучение и случайные леса
• Глава 8. Понижение размерности
• Часть II. Нейронные сети и глубокое обучение
• Глава 9. Подготовка к работе с TensorFlow
• Глава 10. Введение в искусственные нейронные сети
• Глава 11. Обучение глубоких нейронных сетей
• Глава 12. Использование TensorFlow для распределения вычислений между устройствами и серверами
• Глава 13. Сверточные нейронные сети
• Глава 14. Рекуррентные нейронные сети
• Глава 15. Автокодировщики
• Глава 16. Обучение с подкреплением