Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autor:
- Aurélien Géron
![Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition Aurélien Géron - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_2xyy.png)
![Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition Aurélien Géron - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_2xyy.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 864
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition
Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This bestselling book uses concrete examples, minimal theory, and production-ready Python frameworks (Scikit-Learn, Keras, and TensorFlow) to help you gain an intuitive understanding of the concepts and tools for building intelligent systems.
With this updated third edition, author Aurélien Géron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started.
- Use Scikit-learn to track an example ML project end to end
- Explore several models, including support vector machines, decision trees, random forests, and ensemble methods
- Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection
- Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, autoencoders, diffusion models, and transformers
- Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning
Wybrane bestsellery
-
Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie p...(107.40 zł najniższa cena z 30 dni)
107.40 zł
179.00 zł(-40%) -
To drugie wydanie bestsellerowego przewodnika po technikach uczenia maszynowego. Wystarczą minimalne umiejętności programistyczne, aby dzięki tej książce nauczyć się budowania i trenowania głębokiej sieci neuronowej. Zawarto tu minimum teorii, a proces nauki jest ułatwiony przez liczne przykłady ...(64.50 zł najniższa cena z 30 dni)
64.50 zł
129.00 zł(-50%) -
Ta książka jest praktycznym podręcznikiem tworzenia systemów inteligentnych. Przedstawiono tu najważniejsze zagadnienia teoretyczne dotyczące uczenia maszynowego i sieci neuronowych. W zrozumiały sposób zaprezentowano koncepcje i narzędzia służące do tworzenia systemów inteligentnych. Opisano Sci...(44.50 zł najniższa cena z 30 dni)
44.50 zł
89.00 zł(-50%) -
W dynamicznie zmieniającym się świecie biznesu automatyzacja procesów staje się kluczowym elementem sukcesu każdej organizacji. Technologia RPA (ang. robotic process automation) w połączeniu z zarządzaniem projektami i inżynierią oprogramowania tworzy nowy standard w zarządzaniu zasobami i operac...(49.05 zł najniższa cena z 30 dni)
76.30 zł
109.00 zł(-30%) -
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. ...(65.40 zł najniższa cena z 30 dni)
65.40 zł
109.00 zł(-40%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Światowy bestseller, dzięki któremu - według ostrożnych szacunków - codziennie ktoś staje się nowym MILIONEREM! Dowiedz się jak wykorzystać praktycznie nieograniczone możliwości Sztucznej Inteligencji. Nieważne, czy jesteś freelancerem, prowadzisz własną firmę, masz wolny zawód, chcesz zająć się ...
-
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
29.40 zł
49.00 zł(-40%) -
To książka przeznaczona dla inżynierów, którzy chcą stosować systemy uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowano w niej systemy ML używane w szybko rozwijających się startupach, a także przedstawiono holistyczne podejście do ich projektowania ― z...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Ta książka jest praktycznym podręcznikiem opartym na sprawdzonej metodyce: nauce poprzez pisanie kodu w Pythonie. Aby w pełni z niego skorzystać, nie musisz znać wyższej matematyki. Dzięki praktycznym lekcjom szybko zaczniesz programowo tworzyć konkretne rozwiązania. Dowiesz się, jak można zaimpl...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%)
O autorze ebooka
Aurélien Géron - jest konsultantem do spraw uczenia maszynowego. Wcześniej pracował w korporacji Google, a w latach 2013 – 2016 kierował zespołem klasyfikowania filmów w firmie YouTube. Był również założycielem i dyrektorem do spraw technicznych (w latach 2002 – 2012) w firmie Wifirst — czołowym francuskim dostawcy bezprzewodowych usług internetowych; te same funkcje pełnił w 2001 roku w firmie Polyconseil — obecnie zarządza ona usługą udostępniania samochodów elektrycznych Autolib’.
Kup polskie wydanie:
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
- Autor:
- Aurélien Géron
89,50 zł
179,00 zł
(89.50 zł najniższa cena z 30 dni)
Ebooka "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-10-981-2246-1, 9781098122461
- Data wydania ebooka:
-
2022-10-04
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 27.3MB
- Rozmiar pliku Mobi:
- 50.8MB
Spis treści ebooka
- Preface
- The Machine Learning Tsunami
- Machine Learning in Your Projects
- Objective and Approach
- Code Examples
- Prerequisites
- Roadmap
- Changes Between the First and the Second Edition
- Changes Between the Second and the Third Edition
- Other Resources
- Conventions Used in This Book
- OReilly Online Learning
- How to Contact Us
- Acknowledgments
- I. The Fundamentals of Machine Learning
- 1. The Machine Learning Landscape
- What Is Machine Learning?
- Why Use Machine Learning?
- Examples of Applications
- Types of Machine Learning Systems
- Training Supervision
- Supervised learning
- Unsupervised learning
- Semi-supervised learning
- Self-supervised learning
- Reinforcement learning
- Training Supervision
- Batch Versus Online Learning
- Batch learning
- Online learning
- Instance-Based Versus Model-Based Learning
- Instance-based learning
- Model-based learning and a typical machine learning workflow
- Main Challenges of Machine Learning
- Insufficient Quantity of Training Data
- Nonrepresentative Training Data
- Poor-Quality Data
- Irrelevant Features
- Overfitting the Training Data
- Underfitting the Training Data
- Stepping Back
- Testing and Validating
- Hyperparameter Tuning and Model Selection
- Data Mismatch
- Exercises
- 2. End-to-End Machine Learning Project
- Working with Real Data
- Look at the Big Picture
- Frame the Problem
- Select a Performance Measure
- Check the Assumptions
- Get the Data
- Running the Code Examples Using Google Colab
- Saving Your Code Changes and Your Data
- The Power and Danger of Interactivity
- Book Code Versus Notebook Code
- Download the Data
- Take a Quick Look at the Data Structure
- Create a Test Set
- Explore and Visualize the Data to Gain Insights
- Visualizing Geographical Data
- Look for Correlations
- Experiment with Attribute Combinations
- Prepare the Data for Machine Learning Algorithms
- Clean the Data
- Handling Text and Categorical Attributes
- Feature Scaling and Transformation
- Custom Transformers
- Transformation Pipelines
- Select and Train a Model
- Train and Evaluate on the Training Set
- Better Evaluation Using Cross-Validation
- Fine-Tune Your Model
- Grid Search
- Randomized Search
- Ensemble Methods
- Analyzing the Best Models and Their Errors
- Evaluate Your System on the Test Set
- Launch, Monitor, and Maintain Your System
- Try It Out!
- Exercises
- 3. Classification
- MNIST
- Training a Binary Classifier
- Performance Measures
- Measuring Accuracy Using Cross-Validation
- Confusion Matrices
- Precision and Recall
- The Precision/Recall Trade-off
- The ROC Curve
- Multiclass Classification
- Error Analysis
- Multilabel Classification
- Multioutput Classification
- Exercises
- 4. Training Models
- Linear Regression
- The Normal Equation
- Computational Complexity
- Linear Regression
- Gradient Descent
- Batch Gradient Descent
- Stochastic Gradient Descent
- Mini-Batch Gradient Descent
- Polynomial Regression
- Learning Curves
- Regularized Linear Models
- Ridge Regression
- Lasso Regression
- Elastic Net Regression
- Early Stopping
- Logistic Regression
- Estimating Probabilities
- Training and Cost Function
- Decision Boundaries
- Softmax Regression
- Exercises
- 5. Support Vector Machines
- Linear SVM Classification
- Soft Margin Classification
- Linear SVM Classification
- Nonlinear SVM Classification
- Polynomial Kernel
- Similarity Features
- Gaussian RBF Kernel
- SVM Classes and Computational Complexity
- SVM Regression
- Under the Hood of Linear SVM Classifiers
- The Dual Problem
- Kernelized SVMs
- Exercises
- 6. Decision Trees
- Training and Visualizing a Decision Tree
- Making Predictions
- Estimating Class Probabilities
- The CART Training Algorithm
- Computational Complexity
- Gini Impurity or Entropy?
- Regularization Hyperparameters
- Regression
- Sensitivity to Axis Orientation
- Decision Trees Have a High Variance
- Exercises
- 7. Ensemble Learning and Random Forests
- Voting Classifiers
- Bagging and Pasting
- Bagging and Pasting in Scikit-Learn
- Out-of-Bag Evaluation
- Random Patches and Random Subspaces
- Random Forests
- Extra-Trees
- Feature Importance
- Boosting
- AdaBoost
- Gradient Boosting
- Histogram-Based Gradient Boosting
- Stacking
- Exercises
- 8. Dimensionality Reduction
- The Curse of Dimensionality
- Main Approaches for Dimensionality Reduction
- Projection
- Manifold Learning
- PCA
- Preserving the Variance
- Principal Components
- Projecting Down to d Dimensions
- Using Scikit-Learn
- Explained Variance Ratio
- Choosing the Right Number of Dimensions
- PCA for Compression
- Randomized PCA
- Incremental PCA
- Random Projection
- LLE
- Other Dimensionality Reduction Techniques
- Exercises
- 9. Unsupervised Learning Techniques
- Clustering Algorithms: k-means and DBSCAN
- k-means
- The k-means algorithm
- Centroid initialization methods
- Accelerated k-means and mini-batch k-means
- Finding the optimal number of clusters
- k-means
- Limits of k-means
- Using Clustering for Image Segmentation
- Using Clustering for Semi-Supervised Learning
- DBSCAN
- Other Clustering Algorithms
- Clustering Algorithms: k-means and DBSCAN
- Gaussian Mixtures
- Using Gaussian Mixtures for Anomaly Detection
- Selecting the Number of Clusters
- Bayesian Gaussian Mixture Models
- Other Algorithms for Anomaly and Novelty Detection
- Exercises
- II. Neural Networks and Deep Learning
- 10. Introduction to Artificial Neural
Networks with Keras
- From Biological to Artificial Neurons
- Biological Neurons
- Logical Computations with Neurons
- The Perceptron
- The Multilayer Perceptron and Backpropagation
- Regression MLPs
- Classification MLPs
- From Biological to Artificial Neurons
- Implementing MLPs with Keras
- Building an Image Classifier Using the Sequential API
- Using Keras to load the dataset
- Creating the model using the sequential API
- Compiling the model
- Training and evaluating the model
- Using the model to make predictions
- Building an Image Classifier Using the Sequential API
- Building a Regression MLP Using the Sequential API
- Building Complex Models Using the Functional API
- Using the Subclassing API to Build Dynamic Models
- Saving and Restoring a Model
- Using Callbacks
- Using TensorBoard for Visualization
- Fine-Tuning Neural Network Hyperparameters
- Number of Hidden Layers
- Number of Neurons per Hidden Layer
- Learning Rate, Batch Size, and Other Hyperparameters
- Exercises
- 11. Training Deep Neural Networks
- The Vanishing/Exploding Gradients Problems
- Glorot and He Initialization
- Better Activation Functions
- Leaky ReLU
- ELU and SELU
- GELU, Swish, and Mish
- Batch Normalization
- Implementing batch normalization with Keras
- The Vanishing/Exploding Gradients Problems
- Gradient Clipping
- Reusing Pretrained Layers
- Transfer Learning with Keras
- Unsupervised Pretraining
- Pretraining on an Auxiliary Task
- Faster Optimizers
- Momentum
- Nesterov Accelerated Gradient
- AdaGrad
- RMSProp
- Adam
- AdaMax
- Nadam
- AdamW
- Learning Rate Scheduling
- Avoiding Overfitting Through Regularization
- 1 and 2 Regularization
- Dropout
- Monte Carlo (MC) Dropout
- Max-Norm Regularization
- Summary and Practical Guidelines
- Exercises
- 12. Custom Models and Training with TensorFlow
- A Quick Tour of TensorFlow
- Using TensorFlow like NumPy
- Tensors and Operations
- Tensors and NumPy
- Type Conversions
- Variables
- Other Data Structures
- Customizing Models and Training Algorithms
- Custom Loss Functions
- Saving and Loading Models That Contain Custom Components
- Custom Activation Functions, Initializers, Regularizers, and Constraints
- Custom Metrics
- Custom Layers
- Custom Models
- Losses and Metrics Based on Model Internals
- Computing Gradients Using Autodiff
- Custom Training Loops
- TensorFlow Functions and Graphs
- AutoGraph and Tracing
- TF Function Rules
- Exercises
- 13. Loading and Preprocessing Data with TensorFlow
- The tf.data API
- Chaining Transformations
- Shuffling the Data
- Interleaving Lines from Multiple Files
- Preprocessing the Data
- Putting Everything Together
- Prefetching
- Using the Dataset with Keras
- The tf.data API
- The TFRecord Format
- Compressed TFRecord Files
- A Brief Introduction to Protocol Buffers
- TensorFlow Protobufs
- Loading and Parsing Examples
- Handling Lists of Lists Using the SequenceExample Protobuf
- Keras Preprocessing Layers
- The Normalization Layer
- The Discretization Layer
- The CategoryEncoding Layer
- The StringLookup Layer
- The Hashing Layer
- Encoding Categorical Features Using Embeddings
- Text Preprocessing
- Using Pretrained Language Model Components
- Image Preprocessing Layers
- The TensorFlow Datasets Project
- Exercises
- 14. Deep Computer Vision Using Convolutional Neural Networks
- The Architecture of the Visual Cortex
- Convolutional Layers
- Filters
- Stacking Multiple Feature Maps
- Implementing Convolutional Layers with Keras
- Memory Requirements
- Pooling Layers
- Implementing Pooling Layers with Keras
- CNN Architectures
- LeNet-5
- AlexNet
- GoogLeNet
- VGGNet
- ResNet
- Xception
- SENet
- Other Noteworthy Architectures
- Choosing the Right CNN Architecture
- Implementing a ResNet-34 CNN Using Keras
- Using Pretrained Models from Keras
- Pretrained Models for Transfer Learning
- Classification and Localization
- Object Detection
- Fully Convolutional Networks
- You Only Look Once
- Object Tracking
- Semantic Segmentation
- Exercises
- 15. Processing Sequences Using RNNs and CNNs
- Recurrent Neurons and Layers
- Memory Cells
- Input and Output Sequences
- Recurrent Neurons and Layers
- Training RNNs
- Forecasting a Time Series
- The ARMA Model Family
- Preparing the Data for Machine Learning Models
- Forecasting Using a Linear Model
- Forecasting Using a Simple RNN
- Forecasting Using a Deep RNN
- Forecasting Multivariate Time Series
- Forecasting Several Time Steps Ahead
- Forecasting Using a Sequence-to-Sequence Model
- Handling Long Sequences
- Fighting the Unstable Gradients Problem
- Tackling the Short-Term Memory Problem
- LSTM cells
- GRU cells
- Using 1D convolutional layers to process sequences
- WaveNet
- Exercises
- 16. Natural Language Processing with RNNs and Attention
- Generating Shakespearean Text Using a Character RNN
- Creating the Training Dataset
- Building and Training the Char-RNN Model
- Generating Fake Shakespearean Text
- Stateful RNN
- Generating Shakespearean Text Using a Character RNN
- Sentiment Analysis
- Masking
- Reusing Pretrained Embeddings and Language Models
- An EncoderDecoder Network for Neural Machine Translation
- Bidirectional RNNs
- Beam Search
- Attention Mechanisms
- Attention Is All You Need: The Original Transformer Architecture
- Positional encodings
- Multi-head attention
- Attention Is All You Need: The Original Transformer Architecture
- An Avalanche of Transformer Models
- Vision Transformers
- Hugging Faces Transformers Library
- Exercises
- 17. Autoencoders, GANs, and Diffusion Models
- Efficient Data Representations
- Performing PCA with an Undercomplete Linear Autoencoder
- Stacked Autoencoders
- Implementing a Stacked Autoencoder Using Keras
- Visualizing the Reconstructions
- Visualizing the Fashion MNIST Dataset
- Unsupervised Pretraining Using Stacked Autoencoders
- Tying Weights
- Training One Autoencoder at a Time
- Convolutional Autoencoders
- Denoising Autoencoders
- Sparse Autoencoders
- Variational Autoencoders
- Generating Fashion MNIST Images
- Generative Adversarial Networks
- The Difficulties of Training GANs
- Deep Convolutional GANs
- Progressive Growing of GANs
- StyleGANs
- Diffusion Models
- Exercises
- 18. Reinforcement Learning
- Learning to Optimize Rewards
- Policy Search
- Introduction to OpenAI Gym
- Neural Network Policies
- Evaluating Actions: The Credit Assignment Problem
- Policy Gradients
- Markov Decision Processes
- Temporal Difference Learning
- Q-Learning
- Exploration Policies
- Approximate Q-Learning and Deep Q-Learning
- Implementing Deep Q-Learning
- Deep Q-Learning Variants
- Fixed Q-value Targets
- Double DQN
- Prioritized Experience Replay
- Dueling DQN
- Overview of Some Popular RL Algorithms
- Exercises
- 19. Training and Deploying TensorFlow Models at Scale
- Serving a TensorFlow Model
- Using TensorFlow Serving
- Exporting SavedModels
- Installing and starting TensorFlow Serving
- Querying TF Serving through the REST API
- Querying TF Serving through the gRPC API
- Deploying a new model version
- Using TensorFlow Serving
- Creating a Prediction Service on Vertex AI
- Running Batch Prediction Jobs on Vertex AI
- Serving a TensorFlow Model
- Deploying a Model to a Mobile or Embedded Device
- Running a Model in a Web Page
- Using GPUs to Speed Up Computations
- Getting Your Own GPU
- Managing the GPU RAM
- Placing Operations and Variables on Devices
- Parallel Execution Across Multiple Devices
- Training Models Across Multiple Devices
- Model Parallelism
- Data Parallelism
- Data parallelism using the mirrored strategy
- Data parallelism with centralized parameters
- Synchronous updates
- Asynchronous updates
- Bandwidth saturation
- Training at Scale Using the Distribution Strategies API
- Training a Model on a TensorFlow Cluster
- Running Large Training Jobs on Vertex AI
- Hyperparameter Tuning on Vertex AI
- Exercises
- Thank You!
- A. Machine Learning Project Checklist
- Frame the Problem and Look at the Big Picture
- Get the Data
- Explore the Data
- Prepare the Data
- Shortlist Promising Models
- Fine-Tune the System
- Present Your Solution
- Launch!
- B. Autodiff
- Manual Differentiation
- Finite Difference Approximation
- Forward-Mode Autodiff
- Reverse-Mode Autodiff
- C. Special Data Structures
- Strings
- Ragged Tensors
- Sparse Tensors
- Tensor Arrays
- Sets
- Queues
- D. TensorFlow Graphs
- TF Functions and Concrete Functions
- Exploring Function Definitions and Graphs
- A Closer Look at Tracing
- Using AutoGraph to Capture Control Flow
- Handling Variables and Other Resources in TF Functions
- Using TF Functions with Keras (or Not)
- Index
O'Reilly Media - inne książki
-
This concise yet comprehensive guide explains how to adopt a data lakehouse architecture to implement modern data platforms. It reviews the design considerations, challenges, and best practices for implementing a lakehouse and provides key insights into the ways that using a lakehouse can impact ...(193.69 zł najniższa cena z 30 dni)
193.19 zł
249.00 zł(-22%) -
In today's fast-paced world, more and more organizations require rapid application development with reduced development costs and increased productivity. This practical guide shows application developers how to use PowerApps, Microsoft's no-code/low-code application framework that helps developer...(162.47 zł najniższa cena z 30 dni)
162.27 zł
209.00 zł(-22%) -
Welcome to the systems age, where software professionals are no longer building software&emdash;we're building systems of software. Change is continuously deployed across software ecosystems coordinated by responsive infrastructure. In this world of increasing relational complexity, we need t...(152.21 zł najniższa cena z 30 dni)
152.01 zł
209.00 zł(-27%) -
This book provides an ideal guide for Python developers who want to learn how to build applications with large language models. Authors Olivier Caelen and Marie-Alice Blete cover the main features and benefits of GPT-4 and GPT-3.5 models and explain how they work. You'll also get a step-by-step g...(155.41 zł najniższa cena z 30 dni)
155.36 zł
209.00 zł(-26%) -
In today's cloud native world, where we automate as much as possible, everything is code. With this practical guide, you'll learn how Policy as Code (PaC) provides the means to manage the policies, related data, and responses to events that occur within the systems we maintain—Kubernetes, c...(212.59 zł najniższa cena z 30 dni)
212.39 zł
279.00 zł(-24%) -
Geared to intermediate- to advanced-level DBAs and IT professionals looking to enhance their MySQL skills, this guide provides a comprehensive overview on how to manage and optimize MySQL databases. You'll learn how to create databases and implement backup and recovery, security configurations, h...(221.43 zł najniższa cena z 30 dni)
221.33 zł
279.00 zł(-21%) -
Get the details, examples, and best practices you need to build generative AI applications, services, and solutions using the power of Azure OpenAI Service. With this comprehensive guide, Microsoft AI specialist Adrián González Sánchez examines the integration and utilization of Az...(162.23 zł najniższa cena z 30 dni)
162.18 zł
209.00 zł(-22%) -
Despite the increase of high-profile hacks, record-breaking data leaks, and ransomware attacks, many organizations don't have the budget for an information security (InfoSec) program. If you're forced to protect yourself by improvising on the job, this pragmatic guide provides a security-101 hand...(214.77 zł najniższa cena z 30 dni)
214.57 zł
239.00 zł(-10%) -
Keeping up with the Python ecosystem can be daunting. Its developer tooling doesn't provide the out-of-the-box experience native to languages like Rust and Go. When it comes to long-term project maintenance or collaborating with others, every Python project faces the same problem: how to build re...(189.29 zł najniższa cena z 30 dni)
188.79 zł
239.00 zł(-21%) -
Bringing a deep-learning project into production at scale is quite challenging. To successfully scale your project, a foundational understanding of full stack deep learning, including the knowledge that lies at the intersection of hardware, software, data, and algorithms, is required.This book il...(227.19 zł najniższa cena z 30 dni)
227.14 zł
279.00 zł(-19%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition Aurélien Géron (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.