Hands-On Machine Learning with Scikit-Learn and TensorFlow

ویرایش:  
نویسندگان: Aurélien Géron  
سری:  
ISBN (شابک) : 9352135210, 9789352135219 
ناشر: O’Reilly 
سال نشر: 2017 
تعداد صفحات: 568
[564] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 Mb 

قیمت کتاب (تومان) : 44,000

از طریق یک سری پیشرفت های اخیر، یادگیری عمیق کل زمینه یادگیری ماشین را تقویت کرده است. 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 ملموس، نظریه حداقل، و دو چارچوب پایتون آماده تولید-scikit-learn و نویسنده TensorFlow، Aurélien Géron به شما کمک می‌کند تا درک شهودی از مفاهیم و ابزارهای ساخت سیستم‌های هوشمند به دست آورید. . شما طیف وسیعی از تکنیک ها را یاد خواهید گرفت که از رگرسیون خطی ساده شروع می شود و تا شبکه های عصبی عمیق پیش می رود. با تمرین‌هایی در هر فصل که به شما کمک می‌کند آموخته‌های خود را به کار ببندید، تنها چیزی که برای شروع به آن نیاز دارید تجربه برنامه‌نویسی است.

کاوش در چشم‌انداز یادگیری ماشین، به‌ویژه شبکه‌های عصبی از scikit-learn برای ردیابی یک پروژه نمونه یادگیری ماشینی استفاده کنید. کاوش چندین مدل آموزشی، از جمله ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری، جنگل‌های تصادفی و روش‌های مجموعه استفاده از کتابخانه TensorFlow برای ساخت و آموزش شبکه‌های عصبی در معماری‌های شبکه عصبی، از جمله شبکه‌های کانولوشن، شبکه‌های برگشتی، و تقویت عمیق غواصی کنید. یادگیری تکنیک‌های آموزش و مقیاس‌بندی شبکه‌های عصبی عمیق را بیاموزید. نمونه‌های کد عملی را بدون کسب تئوری یادگیری ماشین یا جزئیات الگوریتم بیش از حد به کار ببرید.

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