Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем

Description

"Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения." — Пит Уорден, технический руководитель направления TensorFlow Благодаря серии недавних 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 основе данных. В настоящем практическом руководстве показано, что и как следует делать. За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования. • Исследуйте область машинного обучения, особенно нейронные сети • Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца • Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы • Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей • Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением • Освойте приемы для обучения и масштабирования глубоких нейронных сетей • Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов Об авторе Орельен Жерон — консультант по машинному обучению. Бывший работник компании Google, он руководил командой классификации видеороликов YouTube с 2013 по 2016 год. 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, а в 2001 году — основателем и руководителем технического отдела в фирме Polyconseil, которая сейчас управляет сервисом совместного пользования электромобилями Autolib’. 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 13. 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