Python і машинне навчання
Будучи грунтовно оновленої з урахуванням останніх технологій з відкритим кодом, включаючи такі бібліотеки, як scikit-learn, Keras і TensorFlow, ця книга пропонує практичні знання і прийоми, які необхідні для створення ефективних програм машинного і глибокого навчання на мові Python. Що володіють унікальною проникливістю і знанням справи автори книги, Себастьян Рашка і Вахід Мірджалілі , Ознайомлять вас з алгоритмами машинного навчання і глибокого навчання і поступово підведуть до складних тем в аналізі даних. У книзі пропонується поєднання теоретичних принципів машинного навчання з практичним підходом до написання коду для повного розуміння теорії машинного навчання і реалізація за допомогою Python.
Основні теми книги
- Освойте основні фреймворки в науці про дані, машинному навчанні і глибокому навчанні
- Задайте нові питання своїх даних через моделі машинного навчання і нейронні мережі
- Використовуйте всю міць найостанніших бібліотек Python з відкритим кодом для машинного навчання
- Навчіться будувати реалізації глибоких нейронних мереж із застосуванням бібліотеки TensorFlow
- Вбудовуйте моделі машинного навчання в доступні веб-додатки
- Прогнозують безперервні цільові результати із застосуванням регресійного аналізу
- Розкрийте приховані шаблони і структури в даних за допомогою кластеризації
- Аналізуйте зображення з використанням прийомів глибокого навчання
- Заглибитися в текстові дані і дані з соціальних мереж із застосуванням смислового аналізу
Якщо ви читали 1-е видання книги, то вам принесе задоволення знайти новий баланс класичних ідей і сучасних знань в машинному навчанні.
Кожна глава була серйозно оновлена, і з’явилися нові глави по ключовим технологіям. У вас буде можливість вивчити і попрацювати з TensorFlow більш вдумливо, ніж раніше, а також отримати найважливіший охоплення бібліотеки для нейронних мереж Keras поряд з найсвіжішими оновленнями бібліотеки scikit-learn.
про авторів
Себастьян Рашка , Автор бестселера 1-го видання цієї книги, має багаторічний досвід написання коду на мові Python. Він проводив численні семінари щодо практичного застосування науки про дані, машинного навчання та глибокому навчанню, включаючи керівництво по машинному навчання на SciPy – провідної конференції, присвяченій науковими розрахунками за допомогою Python.
Незважаючи на те що дослідницькі проекти Себастьяна зосереджені головним чином на вирішенні завдань в області обчислювальної біології, йому подобається писати і говорити на теми науки про дані, машинного навчання та мови Python в загальному, і він прагне допомогти людям розробляти рішення, керовані даними, без обов’язкового знання підгрунтя машинного навчання.
Нещодавно його робота і внесок були відзначені званням видатного аспіранта 2016-2017, а також нагородою ACM Computing Reviews ‘Best of 2016.
У вільний час Себастьян любить брати участь в проектах з відкритим кодом, а методи, які він реалізував, тепер успішно використовуються в змаганнях по машинному навчання, таких як Kaggle.
Вахід Мірджалілі отримав звання PhD в машинобудуванні, працюючи над новаторськими методами для великомасштабних обчислювальних емуляцій молекулярних структур. В даний час він зосередив свою науково-дослідницьку роботу на додатках машинного навчання в різноманітних проектах комп’ютерного зору у відділенні комп’ютерних наук та інженерії Університету штату Мічиган.
Вахід обрав Python в якості головного мови програмування, і протягом своєї науково-дослідницької кар’єри накопичив величезний досвід в написанні коду Python. Він викладав програмування на Python інженерної групи в Університеті штату Мічиган, що дало йому можливість допомогти студентам зрозуміти різні структури даних і розробляти ефективний код на Python.
Поряд з тим, що великі дослідницькі інтереси Вахіда сконцентровані на додатках глибокого навчання і комп’ютерного зору, він особливо цікавиться використанням прийомів глибокого навчання для посилення приватності в біометричних даних, таких як зображення осіб, щоб не розкривалася інформація над ту, що користувачі мали намір показувати. Крім того, він також співпрацює з командою інженерів, що працюють над безпілотними автомобілями, де проектує моделі на основі нейронних мереж для злиття багатоспектральних зображень з метою виявлення пішоходів.
