مشخصات کتاب

Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow

ویرایش:  
نویسندگان: Aurélien Géron  
سری:  
ISBN (شابک) : 8550803812, 9788550803814 
ناشر:  
سال نشر: 2019 
تعداد صفحات: 576 
زبان: Portuguese 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 Mb 

در صورت تبدیل فایل کتاب Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب عملی: یادگیری ماشین با Scikit-Learn و TensorFlow نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب عملی: یادگیری ماشین با Scikit-Learn و TensorFlow

مجموعه‌ای از پیشرفت‌های یادگیری عمیق کل حوزه یادگیری ماشینی را در دهه گذشته تقویت کرده است. اکنون که یادگیری ماشینی در حال رونق است، حتی برنامه نویسانی که تقریباً چیزی 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 TensorFlow- نویسنده Aurélien Géron به شما کمک می‌کند درک شهودی از مفاهیم و ابزاری برای ساخت سیستم های هوشمند شما یاد خواهید گرفت که چگونه از طیف وسیعی از تکنیک ها استفاده کنید، از رگرسیون خطی ساده شروع کنید و تا شبکه های عصبی عمیق پیش بروید. اگر تجربه برنامه نویسی دارید و آماده کدنویسی یک پروژه یادگیری ماشین هستید، این راهنما برای شما مناسب است.

این کتاب عملی به شما نحوه استفاده از این موارد را نشان می دهد:

Scikit-Learn، یک چارچوب در دسترس که بسیاری از الگوریتم‌ها را به طور موثر پیاده‌سازی می‌کند و به عنوان یک نقطه ورودی عالی برای یادگیری ماشین عمل می‌کند
TensorFlow، یک کتابخانه پیچیده‌تر برای محاسبات عددی توزیع‌شده، ایده‌آل برای آموزش و اجرای شبکه‌های عصبی بسیار بزرگ
مثال‌های کد عملی که می‌توانید بدون یادگیری تئوری یادگیری ماشینی یا جزئیات الگوریتم، اعمال کنید

توضیحاتی درمورد کتاب به خارجی

A series of Deep Learning breakthroughs have boosted the whole field of machine learning over the last decade. Now that machine learning is thriving, 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 how to use a range of techniques, starting with simple Linear Regression and progressing to Deep Neural Networks. If you have some programming experience and you’re ready to code a machine learning project, this guide is for you.

This hands-on book shows you how to use:

Scikit-Learn, an accessible framework that implements many algorithms efficiently and serves as a great machine learning entry point
TensorFlow, a more complex library for distributed numerical computation, ideal for training and running very large neural networks
Practical code examples that you can apply without learning excessive machine learning theory or algorithm details

فهرست مطالب

Capa
Prefácio
Parte I. Os Fundamentos do Aprendizado de Máquina
	Capítulo 1. O Cenário do Aprendizado de Máquina
	Capítulo 2. Projeto de Aprendizado de Máquina de Ponta a Ponta
	Capítulo 3. Classificação
	Capítulo 4. Treinando Modelos
	Capítulo 5. Máquinas de Vetores de Suporte
	Capítulo 6. Árvores de Decisão
	Capítulo 7. Ensemble Learning e Florestas Aleatórias
	Capítulo 8. Redução da Dimensionalidade
Parte II. Redes Neurais e Aprendizado Profundo
	Capítulo 9. Em Pleno Funcionamento com o TensorFlow
	Capítulo 10. Introdução às Redes Neurais Artificiais
	Capítulo 11. Treinando Redes Neurais Profundas
	Capítulo 12. Distribuindo o TensorFlow Por Dispositivos e Servidores
	Capítulo 13. Redes Neurais Convolucionais (CNN)
	Capítulo 14. Redes Neurais Recorrentes (RNN)
	Capítulo 15. Autoencoders
	Capítulo 16. Aprendizado por Reforço
Apêndice A. Soluções dos Exercícios
Apêndice B. Lista de Verificação do Projeto de Aprendizado de Máquina
Apêndice C. Problema SVM Dual
Apêndice D. Autodiff
Apêndice E. Outras Arquiteturas Populares de RNA
Índice

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Geosynthetics in Filtration, Drainage and Erosion Control

دانلود کتاب NTP Security: A Quick-Start Guide

دانلود کتاب Logic design for array-based circuits : a structured design methodology

دانلود کتاب The Theory of Kinetics

دانلود کتاب The Revival of Scholastic Philosophy in the Nineteenth Century