Python mašinsko učenje (prevod trećeg izdanja)
• Savladajte radne okvire, modele i tehnike koje omogućavaju mašinama da „uče“ iz podataka.
• Upotrebite scikit-learn za mašinsko učenje i TensorFlow za duboko učenje.
• Primenite mašinsko učenje na klasifikaciju slike, analizu sentimenta, inteligentne veb aplikacije i drugo.
• Izgradite i obučite neuronske mreže, GAN-ove i druge modele.
• Otkrijte najbolju praksu za procenu i podešavanje modela.
• Naučite da predvidite kontinuirane ciljne ishode upotrebom analize regresije.
• „Zaronite“ dublje u tekstualne podatke i podatke društvenih medija upotrebom analize sentimenta.
„Python mašinsko učenje (treće izdanje)“ je sveobuhvatan vodič za mašinsko učenje i duboko učenje upotrebom Pythona. Ova knjiga služi kao uputstvo, korak po korak, i kao referenca kojoj ćete se vraćati dok gradite sisteme mašinskog učenja. Ona uključuje jasna objašnjenja, vizuelizacije i radne primere i obuhvata detaljno sve osnovne tehnike mašinskog učenja. Dok vas neke knjige uče samo da pratite instrukcije, u ovoj knjizi za mašinsko učenje autori Raschka i Mirjalili uče vas principima mašinskog učenja, omogućavajući vam da sami izgradite modele i aplikacije. Ovo treće izdanje je ažurirano za TensorFlow 2.0 i predstavlja čitaocima njegove nove Keras API funkcije, kao i funkcije najnovijeg izdanja scikit-learna. Knjiga je takođe proširena opisom vrhunskih tehnika učenja uslovljavanjem, koje su zasnovane na dubokom učenju, a takođe su predstavljeni i GAN-ovi. Istražićemo i podoblast obrade prirodnog jezika (NLP) pod nazivom analiza sentimenta, što će vam pomoći da naučite kako da koristite algoritme mašinskog učenja za klasifikovanje dokumenata. Ova knjiga je vaš pratilac za mašinsko učenje sa Pythonom, bez obzira da li ste Python programer koji želi da nauči mašinsko učenje ili imate iskustva i želite da produbite znanje najnovijim dostignućima.
• Treće izdanje je najprodavanija, veoma popularna knjiga o Python mašinskom učenju.
• Jasna i intuitivna objašnjenja će vas uvesti duboko u teoriju i praksu Python mašinskog učenja.
• Knjiga je potpuno ažurirana i proširena da bi obuhvatila TensorFlow 2, Generative Adversarial Network modele, učenje uslovljavanjem i najbolju praksu.
Tabela sadržaja
Poglavlje 1 Kako da računarima omogućite da uče iz podataka
Poglavlje 2 Treniranje jednostavnih algoritama mašinskog učenja za klasifikaciju
Poglavlje 3 Predstavljanje klasifikatora mašinskog učenja upotrebom scikit-learna
Poglavlje 4 Izgradnja dobrih skupova podataka za trening - pretprocesiranje podataka
Poglavlje 5 Kompresovanje podataka pomoću redukcije dimenzionalnosti
Poglavlje 6 Učenje najbolje prakse za procenu modela i podešavanje hiperparametara
Poglavlje 7 Kombinovanje različitih modela za učenje udruživanjem
Poglavlje 8 Primena mašinskog učenja na analizu sentimenta
Poglavlje 9 Ugrađivanje modela mašinskog učenja u veb aplikaciju
Poglavlje 10 Predviđanje promenljivih kontinualnog cilja pomoću analize regresije
Poglavlje 11 Upotreba neoznačenih podataka - analiza klasterovanja
Poglavlje 12 Implementiranje višeslojne veštačke neuronske mreže „od nule“
Poglavlje 13 Paralelizacija treninga neuronske mreže pomoću TensorFlowa
Poglavlje 14 Detaljnije - mehanika TensorFlowa
Poglavlje 15 Klasifikacija slika pomoću dubokih konvolucionih neuronskih mreža
Poglavlje 16 Modelovanje sekvencijalnih podataka upotrebom rekurentnih neuronskih mreža
Poglavlje 17 Generative Adversarial Networks za sintetizovanje novih podataka
Poglavlje 18 Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima