Python mašinsko učenje

Python mašinsko učenje (prevod trećeg izdanja) • Savladajte radne okvire, modele i tehnike koje omogućavaju mašinama da uče iz podataka. • Upotrebite scikit-learn za mašinsko učenje i TensorFlow za duboko učenje. • Primenite mašinsko učenje na klasifikaciju slike, analizu sentimenta, inteligentne veb aplikacije i drugo. • Izgradite i obučite neuronske mreže, GAN-ove i druge modele. • Otkrijte najbolju praksu za procenu i podešavanje modela. • Naučite da predvidite kontinuirane ciljne ishode upotrebom analize regresije. • Zaronite dublje u tekstualne podatke i podatke društvenih medija upotrebom analize sentimenta. Python mašinsko učenje (treće izdanje) je sveobuhvatan vodič za mašinsko učenje i duboko učenje upotrebom Pythona. Ova knjiga služi kao uputstvo, korak po korak, i kao referenca kojoj ćete se vraćati dok gradite sisteme mašinskog učenja. Ona uključuje jasna objašnjenja, vizuelizacije i radne primere i obuhvata detaljno sve osnovne tehnike mašinskog učenja. Dok vas neke knjige uče samo da pratite instrukcije, u ovoj knjizi za mašinsko učenje autori Raschka i Mirjalili uče vas principima mašinskog učenja, omogućavajući vam da sami izgradite modele i aplikacije. Ovo treće izdanje je ažurirano za TensorFlow 2.0 i predstavlja čitaocima njegove nove Keras API funkcije, kao i funkcije najnovijeg izdanja scikit-learna. Knjiga je takođe proširena opisom vrhunskih tehnika učenja uslovljavanjem, koje su zasnovane na dubokom učenju, a takođe su predstavljeni i GAN-ovi. Istražićemo i podoblast obrade prirodnog jezika (NLP) pod nazivom analiza sentimenta, što će vam pomoći da naučite kako da koristite algoritme mašinskog učenja za klasifikovanje dokumenata. Ova knjiga je vaš pratilac za mašinsko učenje sa Pythonom, bez obzira da li ste Python programer koji želi da nauči mašinsko učenje ili imate iskustva i želite da produbite znanje najnovijim dostignućima. • Treće izdanje je najprodavanija, veoma popularna knjiga o Python mašinskom učenju. • Jasna i intuitivna objašnjenja će vas uvesti duboko u teoriju i praksu Python mašinskog učenja. • Knjiga je potpuno ažurirana i proširena da bi obuhvatila TensorFlow 2, Generative Adversarial Network modele, učenje uslovljavanjem i najbolju praksu. Tabela sadržaja Poglavlje 1 Kako da računarima omogućite da uče iz podataka Poglavlje 2 Treniranje jednostavnih algoritama mašinskog učenja za klasifikaciju Poglavlje 3 Predstavljanje klasifikatora mašinskog učenja upotrebom scikit-learna Poglavlje 4 Izgradnja dobrih skupova podataka za trening - pretprocesiranje podataka Poglavlje 5 Kompresovanje podataka pomoću redukcije dimenzionalnosti Poglavlje 6 Učenje najbolje prakse za procenu modela i podešavanje hiperparametara Poglavlje 7 Kombinovanje različitih modela za učenje udruživanjem Poglavlje 8 Primena mašinskog učenja na analizu sentimenta Poglavlje 9 Ugrađivanje modela mašinskog učenja u veb aplikaciju Poglavlje 10 Predviđanje promenljivih kontinualnog cilja pomoću analize regresije Poglavlje 11 Upotreba neoznačenih podataka - analiza klasterovanja Poglavlje 12 Implementiranje višeslojne veštačke neuronske mreže od nule Poglavlje 13 Paralelizacija treninga neuronske mreže pomoću TensorFlowa Poglavlje 14 Detaljnije - mehanika TensorFlowa Poglavlje 15 Klasifikacija slika pomoću dubokih konvolucionih neuronskih mreža Poglavlje 16 Modelovanje sekvencijalnih podataka upotrebom rekurentnih neuronskih mreža Poglavlje 17 Generative Adversarial Networks za sintetizovanje novih podataka Poglavlje 18 Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima