Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow

Unknown Author

ISBN 10: 3960092121 / ISBN 13: 9783960092124

A propos de cet article

N° de réf. du vendeur 46359731-n

Détails bibliographiques

• Titre: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow
• Langue: allemand
• ISBN à 10 chiffres: 3960092121
• ISBN à 13 chiffres: 9783960092124
• Reliure: Couverture souple
• État de l'article: New

A propos de ce titre

Synopsis

Mis à jour et élargi 3. Édition du best-seller sur TensorFlow et Deep Learning

• Couvre maintenant de nombreuses nouvelles fonctionnalités de Scikit-Learn, ainsi que la bibliothèque Keras Tuner de Hugging Face et la bibliothèque Transformers NLP
• Vous présente méthodiquement les bases de l'apprentissage automatique avec Scikit-Learn et transmet des techniques d'apprentissage profond avec Keras et TensorFlow
• Avec de nombreux exercices et solutions.

L'apprentissage automatique et le deep learning en particulier ont connu des percées impressionnantes ces dernières années. Parallèlement, même les programmeurs qui connaissent peu cette technologie peuvent mettre en œuvre des programmes d'apprentissage automatique avec des outils simples et efficaces. Ce travail standard utilise des exemples concrets, un minimum de théorie et des frameworks Python immédiats (Scikit-Learn, Keras et TensorFlow) pour vous donner une compréhension intuitive des concepts et des outils pour développer des systèmes intelligents.

Dans cette 3ème édition mise à jour, Aurélien Géron couvre un large éventail de techniques : de la simple régression linéaire aux réseaux neuronaux profonds. De nombreux exemples de code et exercices vous aident à mettre en œuvre ce que vous avez appris dans la pratique. Tout ce dont vous avez besoin est une expérience de programmation pour démarrer directement.

• Apprenez les bases de l'apprentissage automatique grâce à un vaste projet d'échantillon avec Scikit-Learn
• Explorez de nombreux modèles, y compris les machines vectorielles de soutien, les arbres de décision, les forêts aléatoires et les méthodes d'ensemble
• Utilisez l'apprentissage non supervisé tel que la réduction des dimensions, le regroupement et la détection d'anomalies
• Créez des architectures de réseaux de neurones tels que des réseaux de neurones convolutifs, des réseaux de neurones récurrents, des réseaux adversaires génératifs, des autoencodeurs, des modèles de diffusion et des transformateurs
• Utilisez TensorFlow et Keras pour créer et former des réseaux de neurones pour la vision par ordinateur, le traitement du langage naturel, l'apprentissage par renforcement profond et les modèles génératifs