ODBIERZ TWÓJ BONUS :: »

Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III Sebastian Raschka, Vahid Mirjalili

Autorzy:
Sebastian Raschka, Vahid Mirjalili
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
4.6/6  Opinie: 14
Stron:
672
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
96,85 zł 149,00 zł (-35%)
89,40 zł najniższa cena z 30 dni

Dodaj do koszyka Wysyłamy w 24h

Ebook
89,40 zł 149,00 zł (-40%)
74,50 zł najniższa cena z 30 dni

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Druk na żądanie

Czego się nauczysz?

  • Rodzajów uczenia maszynowego: nadzorowanego, nienadzorowanego i przez wzmacnianie
  • Implementowania klasycznych algorytmów uczenia maszynowego w Pythonie (perceptron, Adaline, SVM, drzewa decyzyjne, k-najbliższych sąsiadów)
  • Wykorzystywania bibliotek scikit-learn i TensorFlow 2 do budowy modeli uczenia maszynowego
  • Przygotowywania i wstępnego przetwarzania danych (obsługa braków, kodowanie cech, skalowanie, selekcja cech)
  • Redukowania wymiarowości danych za pomocą PCA, LDA i metod jądrowych
  • Oceny i strojenia modeli z użyciem walidacji krzyżowej, krzywych uczenia, macierzy pomyłek i przeszukiwania siatki
  • Łączenia modeli w zespoły (bagging, boosting, głosowanie większościowe, AdaBoost)
  • Analizy tekstu i klasyfikacji sentymentu z wykorzystaniem modeli worka słów i LDA
  • Wdrażania modeli uczenia maszynowego do aplikacji webowych w środowisku Flask
  • Budowania i trenowania sieci neuronowych od podstaw oraz z użyciem TensorFlow i Keras
  • Tworzenia i trenowania głębokich sieci splotowych (CNN) do klasyfikacji obrazów
  • Modelowania danych sekwencyjnych z użyciem rekurencyjnych sieci neuronowych (RNN, LSTM) i transformatorów
  • Implementowania generatywnych sieci przeciwstawnych (GAN) do syntezy nowych danych
  • Stosowania uczenia przez wzmacnianie i algorytmów Q-learning w środowisku OpenAI Gym
  • Analizy skupień i grupowania nieoznakowanych danych (k-means, hierarchiczne, DBSCAN)
  • Pracy z dużymi zbiorami danych i optymalizacji wydajności modeli w TensorFlow

Uczenie maszynowe jest jedną z najbardziej fascynujących technologii naszych czasów - rozwojem jego najróżniejszych zastosowań zajmują się tacy giganci jak Google, Facebook, Apple, Amazon czy IBM. Uczenie maszynowe otwiera zupełnie nowe możliwości i powoli staje się nieodzowne: wystarczy wymienić asystenty głosowe w smartfonach, chatboty ułatwiające klientom wybór produktu, a także sieci ułatwiające podejmowanie decyzji o inwestycjach giełdowych, filtrujące niechciane wiadomości e-mail czy wspomagające diagnostykę medyczną.

Oto obszerny przewodnik po uczeniu maszynowym i uczeniu głębokim w Pythonie. Zawiera dokładne omówienie najważniejszych technik uczenia maszynowego oraz staranne wyjaśnienie zasad rządzących tą technologią. Poszczególne zagadnienia zilustrowano mnóstwem wyjaśnień, wizualizacji i przykładów, co znakomicie ułatwia zrozumienie materiału i sprawne rozpoczęcie samodzielnego budowania aplikacji i modeli, takich jak te służące do klasyfikacji obrazów, odkrywania ukrytych wzorców czy wydobywania dodatkowych informacji z danych. Wydanie trzecie zostało zaktualizowane - znalazł się w nim opis biblioteki TensorFlow 2 i najnowszych dodatków do biblioteki scikit-learn. Dodano również wprowadzenie do dwóch nowatorskich technik: uczenia przez wzmacnianie i budowy generatywnych sieci przeciwstawnych (GAN).

W książce między innymi:

  • platformy, modele i techniki uczenia maszynowego
  • wykorzystywanie biblioteki scikit-learn i TensorFlow
  • sieci neuronowe, sieci GAN i inne
  • przygotowywanie danych dla modeli uczenia maszynowego
  • ocena i strojenie modeli
  • analizy: regresyjna, skupień i sentymentów

Uczenie głębokie z Pythonem: zrozum i zastosuj!

W marcu jak w zaczytanym garncu!  Ebooki -40%, książki -35%

Wybrane bestsellery

O autorach książki

Dr Sebastian Raschka jest badaczem i autorem bestsellerowych książek. Pracuje w Lightning AI, gdzie implementuje i szkoli modele LLM. Wcześniej był adiunktem na University of Wisconsin-Madison, zajmował się między innymi badaniami nad uczeniem głębokim. Jest znany z praktycznego podejścia i klarownego wyjaśniania zaawansowanych koncepcji inżynierii.

Dr Vahid Mirjalili zajmuje się stosowaniem uczenia maszynowego w rozpoznawaniu obrazów i zwiększaniu prywatności przy użyciu danych biometrycznych. Projektuje też modele sieci neuronowych, które mają ułatwiać wykrywanie pieszych przez pojazdy autonomiczne.

Sebastian Raschka, Vahid Mirjalili - pozostałe książki

Zobacz pozostałe książki z serii

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy książka obejmuje zarówno podstawy, jak i zaawansowane zagadnienia uczenia maszynowego i głębokiego?
Tak, książka prowadzi czytelnika od podstawowych pojęć i technik uczenia maszynowego aż po zaawansowane tematy, takie jak sieci neuronowe, uczenie przez wzmacnianie czy generatywne sieci przeciwstawne (GAN), ilustrując wszystko praktycznymi przykładami w Pythonie.
2. Czy do korzystania z książki potrzebna jest znajomość języka Python?
Podstawowa znajomość Pythona będzie pomocna, ponieważ większość przykładów i ćwiczeń opiera się na tym języku. Autorzy wyjaśniają jednak kluczowe elementy kodu, co ułatwia naukę osobom na różnych poziomach zaawansowania.
3. Jakie narzędzia i biblioteki są omawiane w książce?
Książka skupia się na praktycznym wykorzystaniu najważniejszych bibliotek Python do uczenia maszynowego i głębokiego, takich jak scikit-learn, TensorFlow 2 oraz Keras. Pokazuje także, jak korzystać z platformy Anaconda, menedżera pakietów i innych narzędzi wspierających analizę danych.
4. Czy znajdę w książce przykłady gotowego kodu i projekty do samodzielnego wykonania?
Tak, książka zawiera liczne przykłady kodu, wizualizacje oraz projekty krok po kroku, które pomagają w praktycznym zrozumieniu omawianych zagadnień i umożliwiają samodzielne eksperymentowanie z modelami.
5. Czy książka jest aktualna względem najnowszych wersji bibliotek?
Tak, trzecie wydanie zostało zaktualizowane o opis biblioteki TensorFlow 2, najnowsze funkcje scikit-learn oraz nowe trendy i techniki, takie jak uczenie przez wzmacnianie i sieci GAN.
6. Czy publikacja może być przydatna podczas przygotowań do pracy lub rekrutacji na stanowiska związane z AI i Data Science?
Jak najbardziej - książka omawia zarówno teoretyczne podstawy, jak i praktyczne aspekty budowy modeli, przygotowania danych czy wdrażania aplikacji, co jest cenione na rynku pracy w branży AI i analityki danych.
7. Czy książka nadaje się jako materiał do nauki samodzielnej?
Tak, książka została napisana z myślą o samodzielnej nauce - zawiera jasne wyjaśnienia, zestawy ćwiczeń, przykłady i podsumowania, które ułatwiają systematyczną pracę bez konieczności wsparcia zewnętrznego.
8. Czy książka zawiera rozdziały dotyczące wdrażania modeli w aplikacjach?
Tak, znajdziesz tu rozdziały poświęcone wdrażaniu modeli uczenia maszynowego do aplikacji webowych, w tym przykłady wykorzystania frameworka Flask oraz publikowania aplikacji na serwerach.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Książka
96,85 zł
Dodaj do koszyka
Ebook
89,40 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Getin Bank Ikona płatności Płać z BOŚ Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile