Орельєн Жеронімі: Прикладне машинне навчання за допомогою Scikit-Learn і TensorFlow

"Ця книга - чудове введення в теорію і практику вирішення завдань за допомогою нейронних мереж. Вона охоплює ключові моменти, необхідні для побудови ефективних програм, а також забезпечує достатню основу для розуміння результатів нових досліджень у міру їх появи. Я рекомендую цю книгу всім, хто зацікавлений в освоєнні практичного машинного навчання."

Піт Уорден, технічний керівник напрямку TensorFlow

Завдяки серії недавніх досягнень глибоке навчання значно посилило всю область машинного навчання. У наш час навіть програмісти, майже нічого не знають про цю технологію, можуть використовувати прості та ефективні інструменти для реалізації програм, які здатні навчатися на основі даних. У цьому практичному керівництві показано, що і як слід робити.

За рахунок застосування конкретних прикладів, мінімуму теорії і двох фреймворків Python виробничого рівня - Scikit-Learn і TensorFlow - автор книги Орельєн Жеронімі допоможе вам отримати інтуїтивне уявлення про концепції та інструменти, призначені для побудови інтелектуальних систем. Ви дізнаєтеся про ряд прийомів, почавши з простої лінійної регресії і поступово діставшись до глибоких нейронних мереж. З огляду на наявність в кожному розділі вправ, покликаних закріпити те, чого ви навчилися, для початку роботи потрібен лише досвід програмування.

• Досліджуйте область машинного навчання, особливо нейронні мережі;

• Використовуйте Scikit-Learn для відстеження проекту машинного навчання від початку до кінця;

• Досліджуйте деякі навчальні моделі, включаючи методи опорних векторів, дерева прийняття рішень, випадкові ліси і ансамблеві методи;

• Застосовуйте бібліотеку TensorFlow для побудови і навчання нейронних мереж;

• Досліджуйте архітектури нейронних мереж, включаючи згорткові мережі, рекурентні мережі і глибоке навчання з підкріпленням;

• Освойте прийоми для навчання і масштабування глибоких нейронних мереж;

• Використовуйте практичні приклади коду, не опановуючи надмірно теорію машинного навчання або деталі алгоритмів.