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

Description

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 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