Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems

گرافیک های این کتاب به صورت سیاه و سفید چاپ شده است.

از طریق یک سری پیشرفت های اخیر، یادگیری عمیق باعث تقویت کل زمینه یادگیری ماشین اکنون، حتی برنامه نویسانی که تقریباً هیچ چیز در مورد این فناوری نمی دانند، می توانند از ابزارهای ساده و کارآمد برای اجرای برنامه هایی که قادر به یادگیری از داده ها هستند، استفاده کنند. این کتاب عملی به شما نشان می‌دهد که چگونه.

با استفاده از مثال‌های عینی، نظریه حداقل، و دو چارچوب پایتون آماده تولید - scikit-learn و TensorFlow - نویسنده Aurélien Géron به شما کمک می‌کند تا درک بصری از مفاهیم و ابزار برای ساخت سیستم های هوشمند. طیف وسیعی از تکنیک‌ها را یاد خواهید گرفت که از رگرسیون خطی ساده شروع می‌شود و تا شبکه‌های عصبی عمیق پیش می‌رود. با تمرین‌هایی در هر فصل که به شما کمک می‌کند آموخته‌های خود را به کار ببرید، تنها چیزی که برای شروع به آن نیاز دارید تجربه برنامه‌نویسی است.

• منظره یادگیری ماشینی را کاوش کنید. ، به ویژه شبکه های عصبی
• از scikit-learn برای ردیابی یک نمونه پروژه یادگیری ماشینی به صورت سرتاسری استفاده کنید
• چند مدل آموزشی، از جمله ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری، جنگل‌های تصادفی، و روش‌های مجموعه را کاوش کنید
• از کتابخانه TensorFlow برای ساخت و آموزش شبکه های عصبی استفاده کنید
• در معماری شبکه های عصبی، از جمله شبکه های کانولوشن، شبکه های برگشتی، و تقویت عمیق غواصی کنید. یادگیری
• یادگیری تکنیک هایی برای آموزش و مقیاس بندی شبکه های عصبی عمیق
• < span>نمونه های کد عملی را بدون به دست آوردن تئوری یادگیری ماشین یا جزئیات الگوریتم بیش از حد به کار ببرید

Graphics in this book are printed in black and white.

Through a series of recent 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 practical book shows you how.

By using concrete examples, minimal theory, and two production-ready Python frameworks—scikit-learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn a range of techniques, starting with simple linear regression and progressing to deep neural networks. With exercises in each chapter to help you apply what you’ve learned, all you need is programming experience to get started.

• Explore the machine learning landscape, particularly neural nets
• Use scikit-learn to track an example machine-learning project end-to-end
• Explore several training models, including support vector machines, decision trees, random forests, and ensemble methods
• Use the TensorFlow library to build and train neural nets
• Dive into neural net architectures, including convolutional nets, recurrent nets, and deep reinforcement learning
• Learn techniques for training and scaling deep neural nets
• Apply practical code examples without acquiring excessive machine learning theory or algorithm details