Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем

"Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения". — Пит Уорден, технический руководитель направления TensorFlow. Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать. За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. - Исследуйте область машинного обучения, особенно нейронные сети. - Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца. - Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы. - Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей. - Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением. - Освойте приемы для обучения и масштабирования глубоких нейронных сетей. - Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов.

Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем

"Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения". — Пит Уорден, технический руководитель направления TensorFlow. Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать. За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. - Исследуйте область машинного обучения, особенно нейронные сети. - Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца. - Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы. - Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей. - Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением. - Освойте приемы для обучения и масштабирования глубоких нейронных сетей. - Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов.

Жерон Орельен Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники

Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем. Полноцветное издание. "Эта книга - замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения". - Пит Уорден, технический руководитель направления TensorFlow Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать. За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня - Scikit-Learn и TensorFlow - автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Исследуйте область машинного обучения, особенно нейронные сети Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением Освойте приемы для обучения и масштабирования глубоких нейронных сетей Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов Об авторе Орельен Жерон - консультант по машинному обучению. Бывший работник компании Google, он руководил командой классификации видеороликов YouTube с 2013 по 2016 год. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst, ведущего поставщика услуг беспроводного доступа к Интернету во Франции, а в 2001 году - основателем и руководителем технического отдела в фирме Polyconseil, которая сейчас управляет сервисом совместного пользования электромобилями Autolib'.

Жерон Орельен Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow. Концепции, инструменты

Выдающийся ресурс для изучения машинного обучения. Вы найдете здесь ясные и интуитивно понятные объяснения, а также обилие практических советов. Франсуа Шолле, автор библиотеки Keras, автор книги Deep Learning with Python Эта книга - замечательное введение в теорию и практику решения задач с помощью нейронных сетей; я рекомендую ее всем, кто заинтересован в освоении практического машинного обучения. Пит Уорден, руководитель команды мобильной разработки TensorFlow Благодаря серии выдающихся достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на данных. Новое издание книги-бестселлера, опирающееся на конкретные примеры, минимум теории и готовые фреймворки Python производственного уровня, поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы освоите широкий спектр методик, которые можно быстро задействовать на практике. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. Весь код доступен на GitHub. Он был обновлен с учетом TensorFlow 2 и последней версии Scikit-Learn. Особенности книги Изучите основы машинного обучения на сквозном проекте с применением Scikit-Learn и Pandas Постройте и обучите нейронные сети с многочисленными архитектурами для классификации и регрессии, используя TensorFlow 2 Ознакомьтесь с выявлением объектов, семантической сегментацией, механизмами внимания, языковыми моделями, порождающими состязательными сетями и многим другим Исследуйте Keras API - официальный высокоуровневый API-интерфейс для TensorFlow 2 Запускайте в производство модели TensorFlow с применением Data API из TensorFlow, стратегий распределения, TF Transform и TF Serving Развертывайте модели на платформе AI Platform инфраструктуры Google Cloud или на мобильных устройствах Используйте методики обучения без учителя, такие как понижение размерности, кластеризация и обнаружение аномалий Создавайте автономные обучающиеся агенты с помощью обучения с подкреплением, в том числе с применением библиотеки TF-Agents Книга обсуждается в отдельном сообщении в блоге Виктора Штонда. Об авторе Орельен Жерон - консультант и инструктор по машинному обучению. Бывший работник компании Google, с 2013 по 2016 год он руководил командой классификации видеороликов YouTube. С 2002 по 2012 год он также был основателем и руководителем технического отдела в компании Wifirst (ведущего поставщика услуг беспроводного доступа к Интернету во Франции). 2-е издание.

Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow 2: концепции, инструменты и техники для создания интеллект-х систем. 2-е издание

Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2

Рашка Себастьян, Мирджалили Вахид Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn

Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения. Книга наполнена четкими пояснениями, визуальными представлениями, работающими примерами и детально раскрывает все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения. Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей. Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях. Основные темы книги Фреймворки, модели и методики, которые позволяют машинам "учиться" на основе данных Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей Реализация веб-приложений с искусственным интеллектом Выполнение очистки и подготовки данных для машинного обучения Классификация изображений с использованием глубоких сверточных нейронных сетей Рекомендуемые приемы для оценки и настройки моделей Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации Углубление в текстовые данные и данные социальных сетей с применением смыслового анализа Прикладное машинное обучение с прочным теоретическим фундаментом. Новое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением. Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения. Книга наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения. Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов. Книга обсуждается в отдельном сообщении в блоге Виктора Штонда. 3-е издание.

Калинин Илья Александрович, Самылкина Надежда Николаевна, Салахова Алена Антоновна Искусственный интеллект. 10-11 классы. Учебное пособие. ФГОС

Издание предназначено для первоначального знакомства с актуальным направлением отрасли информационных технологий - искусственным интеллектом. Рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотек Scikit-learn, TensorFlow/Keras, Apyori и Experta.

Искусственный интеллект. 10-11 классы. Учебное пособие

Издание предназначено для первоначального знакомства с актуальным направлением отрасли информационных технологий — искусственным интеллектом. Рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотек Scikit-learn, TensorFlow/Keras, Apyori и Experta.

Машинное обучение и TensorFlow

Знакомство с машинным обучением и библиотекой TensorFlow похоже на первые уроки в автошколе, когда вы мучаетесь с параллельной парковкой, пытаетесь переключить передачу в нужный момент и не перепутать зеркала, лихорадочно вспоминая последовательность действий, в то время как ваша нога нервно подрагивает на педали газа. Это сложное, но необходимое упражнение. Так и в машинном обучении: прежде чем использовать современные системы распознавания лиц или алгоритмы прогнозирования на фондовом рынке, вам придется разобраться с соответствующим инструментарием и набором инструкций, чтобы затем без проблем создавать собственные системы.Новички в машинном обучении оценят прикладную направленность этой книги, ведь ее цель — познакомить с основами, чтобы затем быстро приступить к решению реальных задач. От обзора концепций машинного обучения и принципов работы с TensorFlow, вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоятельно решать задачи классификации, кластеризации, регрессии и прогнозирования.

Машинное обучение и TensorFlow

Знакомство с машинным обучением и библиотекой TensorFlow похоже на первые уроки в автошколе, когда вы мучаетесь с параллельной парковкой, пытаетесь переключить передачу в нужный момент и не перепутать зеркала, лихорадочно вспоминая последовательность действий, в то время как ваша нога нервно подрагивает на педали газа. Это сложное, но необходимое упражнение. Так и в машинном обучении: прежде чем использовать современные системы распознавания лиц или алгоритмы прогнозирования на фондовом рынке, вам придется разобраться с соответствующим инструментарием и набором инструкций, чтобы затем без проблем создавать собственные системы.Новички в машинном обучении оценят прикладную направленность этой книги, ведь ее цель - познакомить с основами, чтобы затем быстро приступить к решению реальных задач. От обзора концепций машинного обучения и принципов работы с TensorFlow, вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоятельно решать задачи классификации, кластеризации, регрессии и прогнозирования.

Машинное обучение без лишних слов

Все, что вам действительно нужно знать о машинном обучении, может уместиться на паре сотен страниц. Начнем с простой истины: машины не учатся. Типичное «машинное обучение» заключается в поиске математической формулы, которая при применении к набору входных данных (называемых «обучающими данными») даст желаемые результаты.Андрей Бурков постарался дать все необходимое, чтобы каждый мог стать отличным современным аналитиком или специалистом по машинному обучению. То, что удалось вместить в пару сотен страниц, в других книгах растянуто на тысячи. Типичные книги по машинному обучению консервативны и академичны, здесь же упор сделан на алгоритмах и методах, которые пригодятся в повседневной работе.«В наше время очень полезно иметь краткое введение в машинное обучение, на которое всегда можно давать ссылку и после которого можно быть уверенным, что человек говорит на одном с тобой языке. Попытку дать такое введение я вижу в этой книге, и мне кажется, что попытка получилась очень удачной. Книга действительно представляет читателю широкий спектр основных понятий и методов машинного обучения, которые здесь изложены корректно, хоть и по понятным причинам очень кратко.Но если книгу прочитать вдумчиво и действительно освоить то, о чем здесь говорится, этот шаг может превратиться в большой скачок. Чего я и желаю всем читателям: разбирайтесь, познавайте, интересуйтесь новым и не бойтесь трудностей. Удачи!»Сергей Николенко, директор по научным исследованиям (Chief Research Officer) платформы Neuromation, автор бестселлера «Глубокое обучение. Погружение в мир нейронных сетей» «Бурков взял на себя решение очень важной, но невероятно сложной задачи — уместить знакомство с машинным обучением в маленькую книгу. Он удачно выбрал темы — теоретические и практические — которые будут полезны и для практиков, и для читателей, понимающих, что эти первые сто страниц, которые они прочитают, закладывают прочный фундамент для дальнейшего изучения».Питер Норвиг, директор по исследованиям в компании Google, соавтор книги «Искусственный интеллект. Современный подход»«Широта тем, которые охватывает эта маленькая книга, поражает! Бурков без страха и сомнений приводит математические уравнения, которыми часто пренебрегают авторы небольших книг. Мне очень понравилось, как всего несколькими словами автор объясняет основные понятия. Книга пригодится новичкам в этой области, а также ”старожилам” — каждый сможет извлечь выгоду из такого широкого взгляда на машинное обучение.»Орельен Жерон, консультант по машинному обучению, старший инженер-программист, автор книги «Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow»

Бурков Андрей Машинное обучение без лишних слов

Все, что вам действительно нужно знать о машинном обучении, может уместиться на паре сотен страниц. Начнем с простой истины: машины не учатся. Типичное "машинное обучение" заключается в поиске математической формулы, которая при применении к набору входных данных (называемых "обучающими данными") даст желаемые результаты. Андрей Бурков постарался дать все необходимое, чтобы каждый мог стать отличным современным аналитиком или специалистом по машинному обучению. То, что удалось вместить в пару сотен страниц, в других книгах растянуто на тысячи. Типичные книги по машинному обучению консервативны и академичны, здесь же упор сделан на алгоритмах и методах, которые пригодятся в повседневной работе. "В наше время очень полезно иметь краткое введение в машинное обучение, на которое всегда можно давать ссылку и после которого можно быть уверенным, что человек говорит на одном с тобой языке. Попытку дать такое введение я вижу в этой книге, и мне кажется, что попытка получилась очень удачной. Книга действительно представляет читателю широкий спектр основных понятий и методов машинного обучения, которые здесь изложены корректно, хоть и по понятным причинам очень кратко. Но если книгу прочитать вдумчиво и действительно освоить то, о чем здесь говорится, этот шаг может превратиться в большой скачок. Чего я и желаю всем читателям: разбирайтесь, познавайте, интересуйтесь новым и не бойтесь трудностей. Удачи!" Сергей Николенко, директор по научным исследованиям (Chief Research Officer) платформы Neuromation, автор бестселлера "Глубокое обучение. Погружение в мир нейронных сетей" "Бурков взял на себя решение очень важной, но невероятно сложной задачи - уместить знакомство с машинным обучением в маленькую книгу. Он удачно выбрал темы - теоретические и практические - которые будут полезны и для практиков, и для читателей, понимающих, что эти первые сто страниц, которые они прочитают, закладывают прочный фундамент для дальнейшего изучения". Питер Норвиг, директор по исследованиям в компании Google, соавтор книги "Искусственный интеллект. Современный подход" "Широта тем, которые охватывает эта маленькая книга, поражает! Бурков без страха и сомнений приводит математические уравнения, которыми часто пренебрегают авторы небольших книг. Мне очень понравилось, как всего несколькими словами автор объясняет основные понятия. Книга пригодится новичкам в этой области, а также "старожилам" - каждый сможет извлечь выгоду из такого широкого взгляда на машинное обучение". Орельен Жерон, консультант по машинному обучению, старший инженер-программист, автор книги "Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow"

Калинин И.А., Самылкина Н.Н., Салахова А.А. Искусственный интеллект. 10-11 классы. Учебное пособие

Издание предназначено для первоначального знакомства с актуальным направлением отрасли информационных технологий — искусственным интеллектом. Рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотек Scikit-learn, TensorFlow/Keras, Apyori и Experta.

Ефремова А.Г. Математика. Тематический и итоговый контроль. 2 класс Рабочая тетрадь

Издание предназначено для первоначального знакомства с актуальным направлением отрасли информационных технологий — искусственным интеллектом. Рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотек Scikit-learn, TensorFlow/Keras, Apyori и Experta.

Калинин И.А., Самылкина Н.Н., Салахова А.А. Искусственный интеллект. 10-11 классы. Учебное пособие

Издание предназначено для первоначального знакомства с актуальным направлением отрасли информационных технологий — искусственным интеллектом. Рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотек Scikit-learn, TensorFlow/Keras, Apyori и Experta.