TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning

Autorzy:: Bharath Ramsundar, Reza Bosagh Zadeh

TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning Bharath Ramsundar, Reza Bosagh Zadeh - okladka książki

Wydawnictwo:: O'Reilly Media (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 256
Dostępne formaty:: ePub

Mobi

Ebook 220,15 zł najniższa cena z 30 dni

~~269,00 zł~~ (-15%)
228,65 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

220,15 zł najniższa cena z 30 dni

Przenieś na półkę

Do przechowalni

Learn how to solve challenging machine learning problems with TensorFlow, Google’s revolutionary new software library for deep learning. If you have some background in basic linear algebra and calculus, this practical book introduces machine-learning fundamentals by showing you how to design systems capable of detecting objects in images, understanding text, analyzing video, and predicting the properties of potential medicines.

TensorFlow for Deep Learning teaches concepts through practical examples and helps you build knowledge of deep learning foundations from the ground up. It’s ideal for practicing developers with experience designing software systems, and useful for scientists and other professionals familiar with scripting but not necessarily with designing learning algorithms.

Learn TensorFlow fundamentals, including how to perform basic computation
Build simple learning systems to understand their mathematical foundations
Dive into fully connected deep networks used in thousands of applications
Turn prototypes into high-quality models with hyperparameter optimization
Process images with convolutional neural networks
Handle natural language datasets with recurrent neural networks
Use reinforcement learning to solve games such as tic-tac-toe
Train deep networks with hardware including GPUs and tensor processing units

Wybrane bestsellery

Promocja Promocja 2za1

Ta książka jest przeznaczona dla praktyków, przede wszystkim programistów, architektów i naukowców, którzy chcą się nauczyć projektowania systemów uczących. Podstawowe pojęcia dotyczące uczenia maszynowego wyjaśniono tu poprzez praktyczne przykłady. Przedstawiono możliwości TensorFlow jako systemu do przeprowadzania obliczeń na tensorach. Omówiono zastosowania tej biblioteki w wielu bardzo różnych dziedzinach: do budowy systemów służących do rozpoznawania obrazów, rozumienia tekstu napisanego ręcznie przez człowieka czy przewidywania właściwości potencjalnych leków.
- PDF + ePub + Mobi
- Druk
Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie

Bharath Ramsundar, Reza Bosagh Zadeh

(19,90 zł najniższa cena z 30 dni)

32.45 zł ~~59.00 zł (-45%)~~
Promocja Promocja 2za1

Deep learning has already achieved remarkable results in many fields. Now it’s making waves throughout the sciences broadly and the life sciences in particular. This practical book teaches developers and scientists how to use deep learning for genomics, chemistry, biophysics, microscopy, medical analysis, and other fields.Ideal for practicing devel
- ePub + Mobi
Deep Learning for the Life Sciences. Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More

Bharath Ramsundar, Peter Eastman, Patrick Walters

(245,65 zł najniższa cena z 30 dni)

254.15 zł ~~299.00 zł (-15%)~~
Nowość Promocja Promocja 2za1

Tę książkę docenią w szczególności analitycy danych. Wyjaśniono w niej potencjał wnioskowania przyczynowego w zakresie szacowania wpływu i efektów w biznesie. Opisano klasyczne metody wnioskowania przyczynowego, w tym testy A/B, regresja liniowa, wskaźnik skłonności, metoda syntetycznej kontroli i metoda różnicy w różnicach, przy czym skoncentrowano się przede wszystkim na praktycznym aspekcie tych technik. Znalazło się tu również omówienie nowoczesnych rozwiązań, takich jak wykorzystanie uczenia maszynowego do szacowania heterogenicznych efektów. Każda metoda została zilustrowana opisem zastosowania w branży technologicznej.
- PDF + ePub + Mobi
- Druk
Wnioskowanie przyczynowe w Pythonie. Praktyczne wykorzystanie w branży technologicznej

Matheus Facure

(35,90 zł najniższa cena z 30 dni)

41.20 zł ~~74.90 zł (-45%)~~
Promocja Promocja 2za1

Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie. Przejrzyście wyjaśniono metody eksploracji danych, a następnie zaprezentowano procedurę budowania ich implementacji w Excelu. Nawet tak złożone zagadnienia, jak algorytmy uczenia maszynowego, zostały wytłumaczone nadzwyczaj przystępnie. Przewodnik został pomyślany tak, aby umożliwić aktywne zdobywanie wiedzy, a niejako przy okazji podnieść umiejętności w posługiwaniu się arkuszem kalkulacyjnym na wyższy poziom.
- PDF + ePub + Mobi
- Druk
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku

Hong Zhou

(32,90 zł najniższa cena z 30 dni)

33.50 zł ~~67.00 zł (-50%)~~
Promocja Promocja 2za1

Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć krytycznie o danych i otrzymanych wynikach, będziesz też inteligentnie o tym mówić. Jednym zdaniem: zrozumiesz dane i związane z nimi wyzwania na głębszym, profesjonalnym poziomie.
- PDF + ePub + Mobi
- Druk
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym

Alex J. Gutman, Jordan Goldmeier

(32,90 zł najniższa cena z 30 dni)

34.50 zł ~~69.00 zł (-50%)~~
Promocja Promocja 2za1

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 jak informatyka, mechatronika, a także automatyka i robotyka.
- PDF + ePub + Mobi
- Druk
Sztuczna inteligencja od podstaw

Feliks Kurp

(19,90 zł najniższa cena z 30 dni)

24.50 zł ~~49.00 zł (-50%)~~
Promocja Promocja 2za1

Rosnące możliwości różnych form sztucznej inteligencji niepokoją ludzi od kilkudziesięciu lat. Stopniowo uzależniamy się od ciągłej asysty nowoczesnych technologii, jednak coraz doskonalsze metody uczenia maszynowego, dostępna i potężna moc obliczeniowa korzystająca z niewyobrażalnie wielkich zasobów danych każą zadawać sobie pytania: do czego doprowadzi ten szalony rozwój techniki? Jak będzie wyglądało społeczeństwo przyszłości? Czy ludzie wyginą? Czy grozi nam zniewolenie ze strony maszyn albo garstki polityków pragnących jeszcze większej władzy? Coraz wyraźniej widać, że AI staje się powoli narracją współczesności. Świat, jaki znamy, przestanie istnieć. Przed jakimi wyborami przyjdzie stanąć ludzkości już wkrótce i czy zdołamy wybrać dobrze?
- PDF + ePub + Mobi
- Druk
Człowiek na rozdrożu. Sztuczna inteligencja 25 punktów widzenia

John Brockman (Editor)

(19,90 zł najniższa cena z 30 dni)

24.50 zł ~~49.00 zł (-50%)~~
Promocja 2za1

The book contains the most common as well as state-of-the-art methods in machine learning for time-series to take your understanding of time series to a new level. In addition to these comprehensive explanations, there are plenty of real-life examples that every data scientist and analyst would have encountered, if not in their job, then in a job interview.
- ePub
Machine Learning for Time-Series with Python. Use Python to forecast, predict, and detect anomalies with state-of-the-art machine learning methods - Second Edition

Ben Auffarth

W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna
Promocja 2za1

Applied Graph Deep Learning crafts intelligent systems by decoding real-world data's interconnected nature with modern Deep Learning. Sophisticated graph-based models yield precision, unraveling fresh insights across diverse domains.
Applied Deep Learning on Graphs. Leveraging Graph Data to Generate Impact Using Specialized Deep Learning Architectures

Lakshya Khandelwal, Subhajoy Das

W przygotowaniu
Powiadom mnie, gdy książka będzie dostępna
Nowość Promocja Promocja 2za1

A practical guide that will help you transform your data into actionable insights with Azure Synapse Analytics Key Features Explore the different features in the Azure Synapse Analytics workspace. Learn how to integrate Power BI and Data Governance capabilities with Azure Synapse Analytics. Accelerate your analytics journey with the no-code/low-co
- ePub + Mobi
Mastering Azure Synapse Analytics

Debananda Ghosh

(71,91 zł najniższa cena z 30 dni)

80.91 zł ~~89.90 zł (-10%)~~
Nowość Promocja Promocja 2za1

Deploy, manage, and scale Machine Learning models with MLOps effortlessly Key Features Explore several ways to build and deploy ML models in production using an automated CI/CD pipeline. Develop and convert ML apps into Android and Windows apps. Learn how to implement ML model deployment on popular cloud platforms, including Azure, GCP, and AWS.
- ePub + Mobi
Machine Learning in Production

Suhas Pote

(71,91 zł najniższa cena z 30 dni)

80.91 zł ~~89.90 zł (-10%)~~
Nowość Promocja Promocja 2za1

A comprehensive guide to Deep Learning for Beginners Key Features Learn how to design your own neural network efficiently. Learn how to build and train Recurrent Neural Networks (RNNs). Understand how encoding and decoding work in Deep Neural Networks. Description Deep Learning has become increasingly important due to the growing need to process
- ePub + Mobi
Applied Deep Learning

Dr. Neeraj Kumar, Dr. Rajkumar Tekchandani

(71,91 zł najniższa cena z 30 dni)

80.91 zł ~~89.90 zł (-10%)~~

O autorach książki

Bharath Ramsundar jest twórcą DeepChem, pakietu open source opartego na TensorFlow, służącego do opracowywania leków. Przygotowuje doktorat z informatyki na Uniwersytecie Stanforda.

Reza Bosagh Zadeh jest wykładowcą na Uniwersytecie Stanforda. Zawodowo zajmuje się uczeniem maszynowym, obliczeniami rozproszonymi i dyskretną matematyką stosowaną. Opracował algorytmy uczenia maszynowego stojące za systemem proponowania kont do śledzenia na Twitterze.

Ebooka "TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning" 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 "TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning" posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolonych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video "TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning" zobaczysz:

Oceny i opinie klientów: TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning Bharath Ramsundar, Reza Bosagh Zadeh (0)

Szczegóły książki

ISBN Ebooka:: 978-14-919-8040-8, 9781491980408
Data wydania ebooka :: 2018-03-01 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:: 14.3MB
Rozmiar pliku Mobi:: 14.3MB

Zgłoś erratę

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Biznes IT » Big data » Uczenie maszynowe

Spis treści książki

Preface
- Conventions Used in This Book
- Using Code Examples
- OReilly Safari
- How to Contact Us
- Acknowledgments
1. Introduction to Deep Learning
- Machine Learning Eats Computer Science
- Deep Learning Primitives
  - Fully Connected Layer
  - Convolutional Layer
  - Recurrent Neural Network Layers
  - Long Short-Term Memory Cells
- Deep Learning Architectures
  - LeNet
  - AlexNet
  - ResNet
  - Neural Captioning Model
  - Google Neural Machine Translation
  - One-Shot Models
  - AlphaGo
  - Generative Adversarial Networks
  - Neural Turing Machines
- Deep Learning Frameworks
  - Limitations of TensorFlow
- Review
2. Introduction to TensorFlow Primitives
- Introducing Tensors
  - Scalars, Vectors, and Matrices
  - Matrix Mathematics
  - Tensors
  - Tensors in Physics
  - Mathematical Asides
- Basic Computations in TensorFlow
  - Installing TensorFlow and Getting Started
  - Initializing Constant Tensors
  - Sampling Random Tensors
  - Tensor Addition and Scaling
  - Matrix Operations
  - Tensor Types
  - Tensor Shape Manipulations
  - Introduction to Broadcasting
- Imperative and Declarative Programming
  - TensorFlow Graphs
  - TensorFlow Sessions
  - TensorFlow Variables
- Review
3. Linear and Logistic Regression with TensorFlow
- Mathematical Review
  - Functions and Differentiability
  - Loss Functions
    - Classification and regression
    - L2 Loss
    - Probability distributions
    - Cross-entropy loss
  - Gradient Descent
  - Automatic Differentiation Systems
- Learning with TensorFlow
  - Creating Toy Datasets
    - An (extremely) brief introduction to NumPy
    - Why are toy datasets important?
    - Adding noise with Gaussians
    - Toy regression datasets
    - Toy classification datasets
  - New TensorFlow Concepts
    - Placeholders
    - Feed dictionaries and Fetches
    - Name scopes
    - Optimizers
    - Taking gradients with TensorFlow
    - Summaries and file writers for TensorBoard
    - Training models with TensorFlow
- Training Linear and Logistic Models in TensorFlow
  - Linear Regression in TensorFlow
    - Defining and training linear regression in TensorFlow
    - Visualizing linear regression models with TensorBoard
    - Metrics for evaluating regression models
  - Logistic Regression in TensorFlow
    - Visualizing logistic regression models with TensorBoard
    - Metrics for evaluating classification models
- Review
4. Fully Connected Deep Networks
- What Is a Fully Connected Deep Network?
- Neurons in Fully Connected Networks
  - Learning Fully Connected Networks with Backpropagation
  - Universal Convergence Theorem
  - Why Deep Networks?
- Training Fully Connected Neural Networks
  - Learnable Representations
  - Activations
  - Fully Connected Networks Memorize
  - Regularization
    - Dropout
    - Early stopping
    - Weight regularization
  - Training Fully Connected Networks
    - Minibatching
    - Learning rates
- Implementation in TensorFlow
  - Installing DeepChem
  - Tox21 Dataset
  - Accepting Minibatches of Placeholders
  - Implementing a Hidden Layer
  - Adding Dropout to a Hidden Layer
  - Implementing Minibatching
  - Evaluating Model Accuracy
  - Using TensorBoard to Track Model Convergence
- Review
5. Hyperparameter Optimization
- Model Evaluation and Hyperparameter Optimization
- Metrics, Metrics, Metrics
  - Binary Classification Metrics
  - Multiclass Classification Metrics
  - Regression Metrics
- Hyperparameter Optimization Algorithms
  - Setting Up a Baseline
  - Graduate Student Descent
  - Grid Search
  - Random Hyperparameter Search
  - Challenge for the Reader
- Review
6. Convolutional Neural Networks
- Introduction to Convolutional Architectures
  - Local Receptive Fields
  - Convolutional Kernels
  - Pooling Layers
  - Constructing Convolutional Networks
  - Dilated Convolutions
- Applications of Convolutional Networks
  - Object Detection and Localization
  - Image Segmentation
  - Graph Convolutions
  - Generating Images with Variational Autoencoders
    - Adversarial models
- Training a Convolutional Network in TensorFlow
  - The MNIST Dataset
  - Loading MNIST
  - TensorFlow Convolutional Primitives
  - The Convolutional Architecture
  - Evaluating Trained Models
  - Challenge for the Reader
- Review
7. Recurrent Neural Networks
- Overview of Recurrent Architectures
- Recurrent Cells
  - Long Short-Term Memory (LSTM)
  - Gated Recurrent Units (GRU)
- Applications of Recurrent Models
  - Sampling from Recurrent Networks
  - Seq2seq Models
- Neural Turing Machines
- Working with Recurrent Neural Networks in Practice
- Processing the Penn Treebank Corpus
  - Code for Preprocessing
  - Loading Data into TensorFlow
  - The Basic Recurrent Architecture
  - Challenge for the Reader
- Review
8. Reinforcement Learning
- Markov Decision Processes
- Reinforcement Learning Algorithms
  - Q-Learning
  - Policy Learning
  - Asynchronous Training
- Limits of Reinforcement Learning
- Playing Tic-Tac-Toe
  - Object Orientation
  - Abstract Environment
  - Tic-Tac-Toe Environment
  - The Layer Abstraction
  - Defining a Graph of Layers
- The A3C Algorithm
  - The A3C Loss Function
  - Defining Workers
    - Worker rollouts
  - Training the Policy
  - Challenge for the Reader
- Review
9. Training Large Deep Networks
- Custom Hardware for Deep Networks
- CPU Training
  - GPU Training
  - Tensor Processing Units
  - Field Programmable Gate Arrays
  - Neuromorphic Chips
- Distributed Deep Network Training
  - Data Parallelism
  - Model Parallelism
- Data Parallel Training with Multiple GPUs on Cifar10
  - Downloading and Loading the DATA
  - Deep Dive on the Architecture
  - Training on Multiple GPUs
  - Challenge for the Reader
- Review
10. The Future of Deep Learning
- Deep Learning Outside the Tech Industry
  - Deep Learning in the Pharmaceutical Industry
  - Deep Learning in Law
  - Deep Learning for Robotics
  - Deep Learning in Agriculture
- Using Deep Learning Ethically
- Is Artificial General Intelligence Imminent?
- Where to Go from Here?
Index