Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu

W ciągu ostatnich lat techniki uczenia maszynowego rozwijały się z niezwykłą dynamiką, rewolucjonizując pracę w r&oacute,żnych branżach. Obecnie do uczenia maszynowego najczęściej używa się Pythona i jego bibliotek. Znajomość najnowszych wydań tych narzędzi umożliwia efektywne tworzenie wyrafinowanych system&oacute,w uczących się.

Oto zaktualizowane wydanie popularnego przewodnika, dzięki kt&oacute,remu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbioru danych. W książce znajdziesz receptury przydatne do rozwiązywania szerokiego spektrum problem&oacute,w, od przygotowania i wczytania danych aż po trenowanie modeli i korzystanie z sieci neuronowych. W ten spos&oacute,b wyjdziesz poza rozważania teoretyczne czy też matematyczne koncepcje i zaczniesz tworzyć aplikacje korzystające z uczenia maszynowego.

Poznaj receptury dotyczące:

• pracy z danymi w wielu formatach, z bazami i magazynami danych
• redukcji wymiarowości, jak r&oacute,wnież oceny i wyboru modelu
• regresji liniowej i logistycznej, drzew i las&oacute,w, a także k-najbliższych sąsiad&oacute,w
• maszyn wektor&oacute,w nośnych (SVM), naiwnej klasyfikacji bayesowskiej i klasteryzacji
• udostępniania wytrenowanych modeli za pomocą wielu framework&oacute,w

Długo szukałam książki, kt&oacute,ra sp&oacute,jnie przedstawiałaby algorytm ANN, hiperpłaszczyzny i wyb&oacute,r cech za pomocą losowego lasu. I wtedy pojawiła się ta pozycja!

Vicki Boykis, inżynier uczenia maszynowego w Duo