-
Python. Uczenie maszynowe w przykładach w.3
![Python. Uczenie maszynowe w przykładach w.3 Python. Uczenie maszynowe w przykładach w.3](/images/rb343/258000-259000/Python-Uczenie-maszynowe-w-przykladach-w-3_%5B258659%5D_480.jpg)
![Python. Uczenie maszynowe w przykładach w.3 Python. Uczenie maszynowe w przykładach w.3](/images/rb343/258000-259000/Python-Uczenie-maszynowe-w-przykladach-w-3_%5B258659%5D_480.jpg)
Wysyłka w ciągu | 3 dni |
Cena przesyłki | 7.99 |
Dostępność |
|
Waga | 0.15 kg |
Kod kreskowy | |
EAN | 9788328388703 |
Zamówienie telefoniczne: 791572838
Zostaw telefon |
Systemy oparte na uczeniu maszynowym są coraz bardziej wyrafinowane. Spośród wielu narzędzi służących do implementacji algorytmów uczenia maszynowego najpopularniejszy okazał się Python wraz z jego bibliotekami. Znajomość tych narzędzi umożliwia sprawne tworzenie systemów uczących się, jednak uzyskanie spektakularnych wyników wymaga doświadczenia i wprawy. Konieczne są więc ćwiczenia i praktyka w samodzielnym rozwiązywaniu problemów.
To trzecie wydanie popularnego podręcznika, który ułatwi Ci zdobycie praktycznej wiedzy o uczeniu maszynowym w Pythonie. Zapoznasz się z różnymi technikami implementacji algorytmów uczenia maszynowego. Przeanalizujesz rzeczywiste przykłady techniki eksploracyjnej analizy danych, inżynierii cech, klasyfikacji danych, regresji, klastrowania i przetwarzania języka naturalnego. To wydanie uzupełniono o najnowsze zagadnienia ważne dla biznesu, takie jak tworzenie systemu rekomendacji, rozpoznawanie twarzy, prognozowanie cen akcji, klasyfikowanie zdjęć, prognozowanie sekwencji danych i zastosowanie uczenia przez wzmacnianie w podejmowaniu decyzji. Dzięki książce poznasz omawiane zagadnienia od strony praktycznej i zdobędziesz wiedzę potrzebną do skutecznego rozwiązywania problemów z systemami uczącymi się.
W książce między innymi:
- gruntowne podstawy uczenia maszynowego i nauki o danych
- techniki eksploracji i analizy danych za pomocą kodu Pythona
- trenowanie modeli za pomocą Apache Spark
- przetwarzanie języka naturalnego przy użyciu bibliotek Pythona
- praktyczne wdrażanie modeli i algorytmów uczenia maszynowego
- korzystanie z bibliotek Pythona: TensorFlow 2, PyTorch i scikit-learn