Aurélien Géron Orden de los libros

W 2006 roku świat nauki zafascynował się głębokimi sieciami neuronowymi. Wbrew wcześniejszym przekonaniom okazało się, że ich uczenie jest możliwe. Technika ta została nazwana uczeniem głębokim. Wymagała zapewnienia olbrzymiej mocy obliczeniowej i potężnych ilości danych, jednak potencjał wytrenowanych sieci głębokich był niesamowity. Kolejne lata przyniosły bujny rozwój tej technologii w wielu obszarach, co pozwoliło na tworzenie przeróżnych zaawansowanych produktów. Prace nad nowymi zastosowaniami sieci głębokich trwają. Wszystko wskazuje na to, że już wkrótce zdominują one większość dziedzin naszego życia. To drugie wydanie bestsellerowego przewodnika po technikach uczenia maszynowego. Wystarczą minimalne umiejętności programistyczne, aby dzięki tej książce nauczyć się budowania i trenowania głębokiej sieci neuronowej. Zawarto tu minimum teorii, a proces nauki jest ułatwiony przez liczne przykłady i ćwiczenia. Wykorzystano gotowe rozwiązania i przedstawiono zasady pracy ze specjalistycznymi narzędziami, w tym z TensorFlow 2, najnowszą odsłoną modułu. W efekcie niepostrzeżenie przyswoisz niezbędny zasób pojęć i narzędzi służących do tworzenia systemów inteligentnych. Poznasz różnorodne techniki i zaczniesz samodzielnie ich używać. Po lekturze będziesz biegle posługiwać się najnowszymi technologiami sztucznej inteligencji! W tej książce między innymi: -podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow -techniki wykrywania obiektów, segmentacji semantycznej i mechanizmy uwagi -interfejs Keras, narzędzia TF Transform i TF Serving -wdrażanie modeli TensorFlow -techniki uczenia nienadzorowanego, wykrywanie anomalii oraz biblioteka TF Agents TensorFlow 2: źródło magii zaawansowanych technologii!

Die aktualisierte und erweiterte 3. Auflage des Bestsellers bietet einen umfassenden Einstieg in TensorFlow und Deep Learning. Sie behandelt neue Features von Scikit-Learn, die Keras-Tuner-Bibliothek sowie die NLP-Bibliothek Transformers von Hugging Face. Methodisch werden die Grundlagen des Machine Learning mit Scikit-Learn vermittelt, gefolgt von Deep-Learning-Techniken mit Keras und TensorFlow. Die Darstellung umfasst zahlreiche Übungen und Lösungen. Maschinelles Lernen und Deep Learning haben in den letzten Jahren bemerkenswerte Fortschritte gemacht, sodass auch Programmierer mit begrenztem Wissen diese Technologien nutzen können. Das Werk nutzt konkrete Beispiele, minimiert theoretische Erklärungen und setzt auf sofort einsetzbare Python-Frameworks, um ein intuitives Verständnis für die Entwicklung intelligenter Systeme zu fördern. Die Bandbreite der Techniken reicht von einfacher linearer Regression bis hin zu Deep Neural Networks. Zahlreiche Codebeispiele und praktische Übungen unterstützen die Anwendung des Gelernten. Mit etwas Programmiererfahrung können Sie direkt starten und lernen, die Grundlagen des Machine Learning anhand eines umfangreichen Projekts zu verstehen. Erkunden Sie verschiedene Modelle, nutzen Sie unüberwachtes Lernen und erstellen Sie komplexe neuronale Netzarchitekturen für verschiedene Anwendungen.

Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den letzten Jahren beflügelt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen, effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch zeigt Ihnen wie.Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks - Scikit-Learn und TensorFlow - verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu Deep Neural Networks. Die in jedem Kapitel enthaltenen Übungen helfen Ihnen, das Gelernte in die Praxis umzusetzen. Um direkt zu starten, benötigen Sie lediglich etwas Programmiererfahrung

Through a series of recent breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—scikit-learn and TensorFlow—author Aur�lien G�ron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn a range of techniques, starting with simple linear regression and progressing to deep neural networks. With exercises in each chapter to help you apply what you’ve learned, all you need is programming experience to get started. Explore the machine learning landscape, particularly neural nets Use scikit-learn to track an example machine-learning project end-to-end Explore several training models, including support vector machines, decision trees, random forests, and ensemble methods Use the TensorFlow library to build and train neural nets Dive into neural net architectures, including convolutional nets, recurrent nets, and deep reinforcement learning Learn techniques for training and scaling deep neural nets Apply practical code examples without acquiring excessive machine learning theory or algorithm details