орельен жерон прикладное машинное обучение с помощью scikit learn keras и tensorflow
5 лучших книг для изучения библиотеки TensorFlow
TensorFlow — это библиотека для машинного обучения, созданная Google. В 2015 году компания открыла код библиотеки для свободного доступа.
TensorFlow упрощает сложные вычисления, представляя их в виде графов и эффективно размечая части графов для машин в кластере или процессоров отдельной машины. Эта библиотека прекрасно подходит как для личных проектов, так и для бизнес-решений. Она гибкая, эффективная и портируемая; работает на самых разных устройствах, от смартфонов до огромных вычислительных кластеров.
В общем, совершенно не удивительно, что TensorFlow быстро стала любимым инструментом разработчиков для быстрого, эффективного и точного решения задач, связанных с глубоким обучением. В настоящее время TensorFlow активно используется в сфере обработки естественного языка, искусственного интеллекта, компьютерного зрения и предсказательной аналитики.
В этой статье мы представляем вам пять отличных книг, обучающих применению TensorFlow на практике.
Learn TensorFlow 2.0
Авторы: Pramod Singh, Avinash Manure. Год издания: 2020. Язык: английский.
Эта книга предназначена для специалистов по науке о данных, а также разработчиков систем машинного обучения. Прекрасные примеры, приведенные в этой книге, научат вас использовать TensorFlow для построения моделей машинного обучения и глубокого обучения.
Книга начинается с представления библиотеки TensorFlow 2.0 и анализа самых важных изменений, которые произошли в новом релизе. Дальнейшее содержание полностью сосредоточено на примерах использования TensorFlow 2.0. Также авторы рассматривают, как использовать API TensorFlow при построении моделей машинного и глубокого обучения для классификации изображений (со стандартными и пользовательскими параметрами).
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow
Авторы: Орельен Жерон. Год издания: 2018. Язык: русский.
В наше время даже программисты, довольно мало знающие о машинном обучении, могут использовать простые и эффективные инструменты для реализации программ, способных учиться на данных. Эта книга покажет вам, как это делается.
В книге Орельена Жерона минимум теории, зато рассматриваются очень конкретные примеры с использованием двух фреймворков Python — scikit-learn и TensorFlow. Читая эту книгу, вы разберетесь в концепциях и инструментах создания интеллектуальных систем. Вы изучите ряд приемов, начиная с простой линейной регрессии и заканчивая глубокими нейронными сетями. Упражнения в каждой части книги помогут вам начать применять полученные знания на практике.
Машинное обучение и TensorFlow
Автор: Шакла Нишант. Год издания: 2019. Язык: русский.
«Машинное обучение и TensorFlow» дает читателям прочные базовые знания в сфере машинного обучения, а также практический опыт написания кода с использованием TensorFlow.
Работая с классическими алгоритмами прогнозирования, классификации и кластеризации, вы изучите основы машинного обучения. Затем вы перейдете к изучению таких концепций глубокого обучения, как автокодировщики, рекуррентные нейронные сети и обучение с подкреплением.
В общем, прочитав эту книгу, вы будете готовы использовать TensorFlow для собственных приложений машинного обучения и глубокого обучения.
Hands-On Deep Learning for Images with TensorFlow
Автор: Will Ballard. Год издания: 2018. Язык: английский.
Это практическое пособие. В нем вы найдете примеры реальных проектов, на основе которых автор покажет вам, как использовать возможности TensorFlow для эффективной обработки изображений с использованием возможностей глубокого обучения.
Читая эту книгу, вы познакомитесь с различными парадигмами глубокого обучения, такими как глубокие нейронные сети и сверточные нейронные сети, а также разберетесь, как их можно реализовать с помощью TensorFlow и Keras.
TensorFlow for Machine Intelligence
Авторы: Sam Abrahams, Danijar Hafner, Erik Erwitt, Ariel Scarpinelli. Год издания: 2016. Язык: английский.
Эта книга — практическое введение в изучение алгоритмов. Она предназначена для новичков в теме машинного обучения, которые слышали о TensorFlow, но боятся начать изучать эту библиотеку с чтения документации. «TensorFlow for Machine Intelligence» обеспечивает читателям пологую кривую обучения, а кроме того, предлагает примеры кода, иллюстрирующие каждый шаг.
Книга начинается с объяснения самых азов TensorFlow. В большинстве учебных пособий авторы пытаются объяснять терминологию библиотеки одновременно с концепциями машинного обучения. В этой книге использован другой подход. Вы сначала разбираетесь в механизмах TensorFlow и ее API, а уж после переходите к изучению машинного обучения.
Как за два месяца пройти путь от начинающего питониста до сертифицированного TensorFlow-разработчика
Я всё ещё помню тот день, когда сдал выпускную работу в университет. Я тогда вздохнул с облегчением, так как это означало окончание бакалавриата. Но мной скоро овладела скука. Делать было нечего, мир был охвачен пандемией. Мне очень хотелось найти новое занятие, которое избавило бы меня от безделья.
В этом материале я хочу рассказать о том, как скука от самоизоляции помогла мне стать сертифицированным TensorFlow-разработчиком менее чем за два месяца. И это — несмотря на то, что на Python я раньше не программировал. Здесь я, кроме того, дам список ссылок на материалы, которые я использовал, осваивая новую для себя сферу знаний и готовясь к сертификации.
Предыстория
Я люблю учиться. Жажда знаний заставила меня прочесть множество новостей и статей о пандемии. Тогда-то я и наткнулся на статью о группе исследователей, создающих новую систему, которая способна отличить пневмонию от COVID-19 на основе анализа рентгеновских снимков.
В статье были упоминания о том, что в проекте используется «искусственный интеллект» и применяются «нейронные сети». Это сразу же меня заинтересовало. Как люди смогли создать и обучить машину, способную анализировать рентгеновские снимки? Начнём с того, что у искусственного интеллекта нет даже медицинского образования. А он достигал более чем 90% точности! Так и началось моё путешествие в кроличью нору глубокого обучения.
Короче говоря, я обсудил это с товарищем и узнал о существовании TensorFlow (и Keras). А потом, продолжая с любопытством изучать разные материалы на эту тему, я наткнулся на статью, автор которой рассказывает о том, как он стал сертифицированным TensorFlow-разработчиком.
Тут я бросил себе вызов, задавшись вопросом о том, смогу ли и я получить такой сертификат. Правда, меня беспокоило то, что у меня не хватит на это времени. Дело в том, что я собирался пойти на работу, к тому же, примерно в то же время начинались занятия в магистратуре. Более того — я ничего не смыслю в программировании на Python. Удастся ли мне достичь цели?
На бакалавриате я изучал прикладную математику для решения актуарных задач. Это значит, что я неплохо знаком с высшей математикой и статистикой, знаю о том, что такое регрессия, временные ряды. Но объём моих знаний в сфере Python был близок к нулю. Единственным языком, который я тогда знал, был R. Хотя я считаю R весьма универсальным языком, который способен удовлетворить нужды тех, кто занимается работой с данными, этот язык, к сожалению, не подходил для сдачи сертификационного экзамена.
Получение сертификата по TensorFlow стало бы важной вехой на моём пути, на пути самоучки, занимающегося исследованием данных и искусственным интеллектом. Пожалуй, о себе я уже рассказал достаточно. Пришло время поговорить о TensorFlow.
Что такое платформа TensorFlow и зачем её изучать?
Если в двух словах, то TensorFlow — это широко распространённая платформа для машинного обучения.
Если же рассказать о TensorFlow подробнее, то окажется, что перед нами — бесплатный опенсорсный фреймворк, который покрывает все нужды по созданию проектов в областях машинного и глубокого обучения. Этот фреймворк позволяет решать широкий спектр задач — от предварительной обработки данных, до обучения и развёртывания моделей. TensorFlow изначально предназначался для внутренних нужд Google, его разрабатывала команда Google Brain. Теперь же этот фреймворк используется буквально повсюду.
Теперь поговорим о том, зачем изучать TensorFlow. Дело в том, что эта платформа способна решать множество задач, и в том, что она распространена гораздо сильнее, чем можно себе представить. Высока вероятность того, что вы, даже не зная об этом, пользуетесь сервисами, созданными с помощью TensorFlow.
Вы когда-нибудь пользовались функцией Smart Reply в Gmail? Этот механизм основан на возможностях искусственного интеллекта. Он предлагает пользователю три возможных варианта ответа на письмо, основываясь на содержании письма. Механизм Smart Reply создан с использованием TensorFlow.
А знаете, что управляет лентой в вашем Твиттер-аккаунте? На чём основан механизм OCR (преобразование изображений в текст) в WPS Office? Как VSCO рекомендует вам профили пользователей, анализируя ваши фотоснимки? Всё это — примеры применения TensorFlow.
В то время, когда была написана эта статья, TensorFlow существовал лишь примерно 4 года. При этом данная платформа применялась в большом количестве проектов, которыми все мы пользуемся каждый день. Хотя в той статье о распознавании COVID-19 по рентгеновским снимкам, о которой я уже упоминал, прямо об этом не сказано, есть вероятность того, что исследователи, написавшие её, тоже применяли TensorFlow.
В будущем, по мере совершенствования технологий глубокого обучения и искусственного интеллекта, можно ожидать появления большего количества продуктов, сервисов, научных исследований, в которых, в качестве подсистемы, реализующей технологии глубокого обучения, используется TensorFlow.
Практикующие специалисты, работающие в сферах машинного обучения и исследования данных, выигрывают от знакомства с этой платформой. И я, ведомый этой мыслью, заинтересовался тем, чтобы самому стать сертифицированным TensorFlow-разработчиком. Возможно, вас уже посещали подобные мысли. Может быть, вы задумались об этом, читая эту статью. Возможно, у вас есть свои причины для изучения TensorFlow. В любом случае, если вы решили подготовиться к сертификации, в следующем разделе вы найдёте некоторые подробности о ней.
Подробности о сертификации
Цифровой бэйдж TensorFlow (источник)
Экзамен состоит из четырёх основных частей: создание и обучение нейронной сети с применением TensorFlow, распознавание изображений, обработка естественного языка, работа с временными рядами. При сдаче экзамена нужно пользоваться IDE PyCharm.
После того, как я посмотрел методичку по экзамену, я начал планировать учёбу. Сначала мне надо было разобраться с программированием на Python, а уже после этого нужно было освоить TensofFlow.
Первый месяц учёбы
Может, вы до сих пор читали, ничего не пропуская, может — сразу перешли сюда. В любом случае прошу позволить мне напомнить вам о том, с чего я начинал. Я был обычным студентом, занимающимся прикладной математикой, которому нечем было себя занять, и у которого не было никакого опыта в программировании на Python. Этот студент внезапно загорелся желанием стать, за два месяца, сертифицированным TensorFlow-разработчиком.
Здесь я начинаю рассказ о том, как и чему я эти два месяца учился.
В первый месяц я осваивал Python. Как мне удалось так быстро научиться программировать на этом языке? Я, первым делом, пошёл на HackerRank и начал решать задачи на Python. Много задач. Когда мне встречалось что-то такое, с чем мне не удавалось справиться самостоятельно, я тут же приступал к поиску чужих решений. Если беглый просмотр решения не позволял мне всё же решить задачу, я приступал к тщательному анализу чужих идей, стремясь понять суть решения и выделить то, что мне пригодилось бы.
Я этим занимался две недели. После этого я смог решить большинство задач, даже сложных, никуда не подглядывая.
А чем я занимался оставшиеся две недели? Смотрел бесплатные уроки по Python на YouTube. Да, именно так. Бесплатные. Уроки. На YouTube.
Конечно, если у вас есть возможность записаться на настоящий курс по Python, где материал хорошо структурирован, то вам, безусловно, стоит поступить именно так. Те три видеокурса, на которые я дам ссылки ниже, я выбрал сам, стремясь быстрее освоить Python.
Эти видео нельзя назвать особо популярными из-за того, что они «бесплатны», и из-за того, что тот, кто их посмотрит, не получит какого-нибудь свидетельства о прохождении обучения. Собственно говоря, вот учебные курсы, которые я считаю весьма достойными:
Второй месяц учёбы
Второй месяц учёбы я потратил на специализацию DeepLearning.AI TensorFlow Developer Professional Certificate, которую можно найти на Coursera. Курсы этой специализации читают Лоренс Марони, занимающийся вопросами искусственного интеллекта в Google, и Эндрю Ын, основатель deeplearning.ai.
В специализацию входят четыре курса. Каждый из них соответствует одной из вышеупомянутых тем экзамена. Один курс рассчитан четыре недели, но я изучал недельные материалы за один день, так как на тот момент это было моим самым главным занятием.
После того, как я завершал каждый из курсов, я устраивал себе выходной. В этот день я экспериментировал с кодом и неспешно изучал идеи, имеющие отношение к курсу.
В итоге на завершение каждого курса у меня ушло по пять дней. Четыре дня понадобилось на просмотр материалов курса, а ещё один день я тратил на отдых и на повторение изученного. В результате мне удалось завершить всю специализацию за 20 дней.
В каждом курсе были предусмотрены задания по программированию. Я серьёзно отнёсся к этим заданиям. Часто я, например, тратил многие часы на эксперименты с гиперпараметрами нейронной сети (когда начнёте учиться — вы узнаете о том, что это такое) для того чтобы добиться от неё наилучших результатов. Занимаясь подобными вещами можно приобрести нечто вроде инстинктивного понимания того, как, методом проб и ошибок, создавать нейросетевые модели.
Иногда в материалах занятий были ссылки на наборы данных, на статьи, на другие дополнительные материалы. Хотя изучение всего этого для прохождения курса не требовалось, я, из любопытства, проработал множество таких вот ресурсов. Занятия курса, в основном, были направлены на практику. Но к ним обычно давались ссылки на видео Эндрю Ына, в которых он более понятно, с объяснением теории, раскрывал некоторые вещи.
Альтернативные материалы
Вам, чтобы пройти сертификацию, совсем необязательно учиться так же, как учился я. Например, вместо прохождения платной специализации на Coursera, можно прибегнуть к другим материалам:
Сдача экзамена
После того, как я окончил все выбранные мной курсы на Coursera, я дал себе четыре дня на повторение изученного и на перечитывание методички по экзамену. Я приступил к сдаче экзамена на 25 день второго месяца подготовки.
Настал решающий день. И, кстати, вот шпаргалка с ответами на первую партию вопросов (если кто не понял — я просто шучу). Я, по очевидным причинам, не могу вдаваться в подробности об экзамене, но ниже я привёл некоторые мои наблюдения и советы, касающиеся подготовки к экзамену и его сдачи.
Я проходил экзамен, пользуясь своим ноутбуком, работающем на процессоре от AMD и не имеющем отдельной видеокарты. Мне, при этом, понадобилось прибегнуть к мощностям Google Colab лишь раз, решая задачу, в которой использовался большой набор данных. Вы, чтобы понять, подойдёт ли ваш компьютер для экзамена, можете решить на нём несколько практических задач. Полагаю, что больше стоит беспокоиться не о компьютере, а о скорости и стабильности интернет-соединения, так как для сдачи экзамена необходимо выгружать модели.
Результаты экзамена
После того, как я завершил экзамен, я тут же получил электронное письмо, сообщившее мне о том, что экзамен я сдал. Официальный цифровой сертификат, подтверждающий успешную сдачу экзамена, высылают в течение 2 недель. Его можно прикрепить к LinkedIn-профилю.
Сертификат действителен всего три года. Это значит, что в 2023 году мне нужно будет сдать экзамен ещё раз. Я могу лишь догадываться о том, как разовьётся к тому времени TensorFlow и вся индустрия глубокого обучения. И я надеюсь, что тогда сдача экзамена дастся мне легче, чем сейчас.
Итоги и планы на будущее
Это, конечно, ещё не конец. Это — только начало. Моей первой вехой на пути изучения технологий искусственного интеллекта стал сертификат по TensorFlow и это меня бескрайне вдохновило. Этот сертификат стал для меня дверью в мир науки о данных. Это немного странно, так как обычно, если говорить о целеустремлённых дата-сайентистах, глубокое обучение — это нечто вроде вишенки на торте.
Я рад тому, что смог получить сертификат, и тому, что смог написать эту статью буквально за несколько дней до начала работы и учёбы. В течение двух месяцев подготовки я всецело отдался моему новому увлечению. Технологии искусственного интеллекта дают нам, как кажется, бесконечные возможности по решению реальных задач.
Хочу отметить, что не считаю мой подход к самообучению самым лучшим. Над ним можно ещё работать и работать. Тем, кто не ограничен по времени, возможно, не стоит спешить так, как спешил я. А в процессе учёбы им хорошо было бы создавать собственные проекты. Полагаю, что такой подход к учёбе лучше моего. Теперь, даже хотя я и являюсь сертифицированным TensorFlow-разработчиком, мне ещё надо сделать собственный проект и выложить его на GitHub. Именно этим я и собираюсь заняться после того, как опубликую эту статью. Это позволит мне улучшить мои знания и навыки.
Я уверен в том, что мир искусственного интеллекта и всего, что с ним связано, это быстрорастущее явление, полное инноваций, открытий, научных прорывов. Это — передний край современных технологий. Здесь много такого, что ещё только предстоит узнать и исследовать людям. Если хотите — вы тоже можете стать частью этого мира. Я вот захотел. И, скучая во время карантина, начал свой путь.
Планируете ли вы стать сертифицированным TensorFlow-разработчиком?
Рецензии на книгу « Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow. Концепции, инструменты » Орельен Жерон
Например (кому интересно стр 64, последний абзац):
«Крайне важно применять обучающий набор, репрезентативный для примеров, на которые вы хотите обобщить. Достичь такой цели часто труднее, чем может показаться: если образец слишком мал, то вы получите шум выборки (sampling noise), т.е. непрезентативные данные, как исход шанса.»
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
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.
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 и TensorFlow, Жерон О., 2018
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018.
В книге предполагается, что вы почти ничего не знаете о машинном обучении. Ее цель — предоставить вам концепции, идеи и инструменты, которые необходимы для фактической реализации программ, способных обучаться на основе данных.
Мы рассмотрим многочисленные приемы, начиная с простейших и самых часто используемых (таких как линейная регрессия) и заканчивая рядом методов глубокого обучения, которые регулярно побеждают в состязаниях.
Вместо того чтобы реализовывать собственную миниатюрную версию каждого алгоритма, мы будем применять реальные фреймворки Python производственного уровня.
Введение в машинное обучение.
Когда большинство людей слышат словосочетание “машинное обучение” (МО), они представляют себе робота: надежного дворецкого или неумолимого Терминатора в зависимости от того, кого вы спросите. Но машинное обучение — не только футуристическая фантазия, оно уже здесь. На самом деле оно десятилетиями существовало в ряде специализированных приложений, таких как программы для оптического распознавания знаков (Optical Character Recognition — OCR). Но первое приложение МО, которое действительно получило широкое распространение, улучшив жизнь сотен миллионов людей, увидело свет еще в 1990-х годах: это был фильтр спама. Он не претендует быть вездесущим Скайнетом, но формально квалифицируется как приложение с МО (фактически фильтр обучается настолько хорошо, что вам редко когда приходится маркировать какое-то сообщение как спам). За ним последовали сотни приложений МО, которые теперь тихо приводят в действие сотни продуктов и средств, используемых вами регулярно, от выдачи лучших рекомендаций до голосового поиска.
Где машинное обучение начинается и где заканчивается? Что в точности означает для машины изучить что-то? Если я загрузил копию Википедии, то действительно ли мой компьютер “обучился” чему-нибудь? Стал ли он неожиданно умнее? В этой главе вы начнете прояснять для себя, что такое машинное обучение и почему у вас может возникать желание применять его.
Затем, прежде чем приступить к исследованию континента МО, мы взглянем на карту, чтобы узнать о главных регионах и наиболее заметных ориентирах: обучение с учителем и без учителя, динамическое и пакетное обучение, обучение на основе образцов и на основе моделей. Далее мы рассмотрим рабочий поток типового проекта МО, обсудим основные проблемы, с которыми вы можете столкнуться, и покажем, как оценивать и отлаживать систему МО.
Оглавление.
Часть I. Основы машинного обучения.
Глава 1. Введение в машинное обучение.
Глава 2. Полный проект машинного обучения.
Глава 3. Классификация.
Глава 4. Обучение моделей.
Глава 5. Методы опорных векторов.
Глава 6. Деревья принятия решений.
Глава 7. Ансамблевое обучение и случайные леса.
Глава 8. Понижение размерности.
Часть II. Нейронные сети и глубокое обучение.
Глава 9. Подготовка к работе с TensorFlow.
Глава 10. Введение в искусственные нейронные сети.
Глава 11. Обучение глубоких нейронных сетей.
Глава 12. Использование TensorFlow для распределения вычислений между устройствами и серверами.
Глава 1З. Сверточные нейронные сети.
Глава 14. Рекуррентные нейронные сети.
Глава 15. Автокодировщики.
Глава 16. Обучение с подкреплением.
Приложение А. Решения упражнений.
Приложение Б. Контрольный перечень для проекта машинного обучения.
Приложение В. Двойственная задача SVM.
Приложение Г. Автоматическое дифференцирование.
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей.
Предметный указатель.
Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России. Купить эту книгу
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow, Жерон О., 2018.
В книге предполагается, что вы почти ничего не знаете о машинном обучении. Ее цель — предоставить вам концепции, идеи и инструменты, которые необходимы для фактической реализации программ, способных обучаться на основе данных.
Мы рассмотрим многочисленные приемы, начиная с простейших и самых часто используемых (таких как линейная регрессия) и заканчивая рядом методов глубокого обучения, которые регулярно побеждают в состязаниях.
Вместо того чтобы реализовывать собственную миниатюрную версию каждого алгоритма, мы будем применять реальные фреймворки Python производственного уровня.
Введение в машинное обучение.
Когда большинство людей слышат словосочетание “машинное обучение” (МО), они представляют себе робота: надежного дворецкого или неумолимого Терминатора в зависимости от того, кого вы спросите. Но машинное обучение — не только футуристическая фантазия, оно уже здесь. На самом деле оно десятилетиями существовало в ряде специализированных приложений, таких как программы для оптического распознавания знаков (Optical Character Recognition — OCR). Но первое приложение МО, которое действительно получило широкое распространение, улучшив жизнь сотен миллионов людей, увидело свет еще в 1990-х годах: это был фильтр спама. Он не претендует быть вездесущим Скайнетом, но формально квалифицируется как приложение с МО (фактически фильтр обучается настолько хорошо, что вам редко когда приходится маркировать какое-то сообщение как спам). За ним последовали сотни приложений МО, которые теперь тихо приводят в действие сотни продуктов и средств, используемых вами регулярно, от выдачи лучших рекомендаций до голосового поиска.
Где машинное обучение начинается и где заканчивается? Что в точности означает для машины изучить что-то? Если я загрузил копию Википедии, то действительно ли мой компьютер “обучился” чему-нибудь? Стал ли он неожиданно умнее? В этой главе вы начнете прояснять для себя, что такое машинное обучение и почему у вас может возникать желание применять его.
Затем, прежде чем приступить к исследованию континента МО, мы взглянем на карту, чтобы узнать о главных регионах и наиболее заметных ориентирах: обучение с учителем и без учителя, динамическое и пакетное обучение, обучение на основе образцов и на основе моделей. Далее мы рассмотрим рабочий поток типового проекта МО, обсудим основные проблемы, с которыми вы можете столкнуться, и покажем, как оценивать и отлаживать систему МО.
Оглавление.
Часть I. Основы машинного обучения.
Глава 1. Введение в машинное обучение.
Глава 2. Полный проект машинного обучения.
Глава 3. Классификация.
Глава 4. Обучение моделей.
Глава 5. Методы опорных векторов.
Глава 6. Деревья принятия решений.
Глава 7. Ансамблевое обучение и случайные леса.
Глава 8. Понижение размерности.
Часть II. Нейронные сети и глубокое обучение.
Глава 9. Подготовка к работе с TensorFlow.
Глава 10. Введение в искусственные нейронные сети.
Глава 11. Обучение глубоких нейронных сетей.
Глава 12. Использование TensorFlow для распределения вычислений между устройствами и серверами.
Глава 1З. Сверточные нейронные сети.
Глава 14. Рекуррентные нейронные сети.
Глава 15. Автокодировщики.
Глава 16. Обучение с подкреплением.
Приложение А. Решения упражнений.
Приложение Б. Контрольный перечень для проекта машинного обучения.
Приложение В. Двойственная задача SVM.
Приложение Г. Автоматическое дифференцирование.
Приложение Д. Другие популярные архитектуры искусственных нейронных сетей.
Предметный указатель.
Скачать pdf
Ниже можно купить эту книгу по лучшей цене со скидкой с доставкой по всей России. Купить эту книгу