Σε αυτή την ενημερωμένη τρίτη έκδοση, ο Aurélien Géron παρουσιάζει βασικές και προχωρημένες τεχνικές, ξεκινώντας από την απλή γραμμική παλινδρόμηση και προχωρώντας στα βαθιά νευρωνικά δίκτυα. Παραδειγματικός κώδικας και ασκήσεις θα σας βοηθήσουν να εφαρμόσετε όσα έχετε μάθει. Το μόνο που χρειάζεστε είναι να ξεκινήσετε άνετα έναν προγραμματισμό.
• Χρησιμοποιήστε τη Scikit-Learn για να παρακολουθήσετε ολόκληρο τον κύκλο εργασιών μηχανικής μάθησης από την αρχή μέχρι το τέλος
• Πειραματιστείτε με μοντέλα όπως δέντρα, τυχαία δάση και υποστηρικτικά διάνυσματα, δείκτες αποφάσεων, τυχαία δάση και μέθοδους συνόλων
• Αξιοποιήστε τεχνικές μη επιβλεπόμενης μάθησης, συμπεριλαμβανομένης της ανάλυσης σε κύριες συνιστώσες και της ομαδοποίησης
• Δημιουργήστε και εκπαιδεύστε νευρωνικά δίκτυα, συμπεριλαμβανομένων των συνελικτικών νευρωνικών δικτύων, των κυκλικών νευρωνικών δικτύων, των μοντέλων ως μετασχηματιστών, και εξειδικευμένους τύπους μοντέλων βαθιάς μάθησης όπως VAE και GAN
• Χρησιμοποιήστε το TensorFlow και το Keras για να εκτελέσετε και να εκπαιδεύσετε νευρωνικά δίκτυα με παραγωγική άσκηση, επεξεργασία φράσεων, επιτήρηση μοντέλων, διανομή και βαθιά ενισχυτική μάθηση.
«Ένα εξαιρετικό βοήθημα για τη μελέτη της μηχανικής μάθησης. Θα βρείτε περισσότερα όσο καλές διαδικτυακές εξηγήσεις, καθώς και πληθώρα πρακτικών συμβουλών.»
François Chollet
Δημιουργός της Keras, συγγραφέας του Deep Learning with Python
*«Αυτό το βιβλίο είναι μια εξαιρετική εισαγωγή στη θεωρία και την πρακτική της επίλυσης προβλημάτων με νευρωνικά δίκτυα. Το συνιστώ σε όσους και όσες ενδιαφέρονται να μάθουν για την πρακτική μηχανική μάθηση.»
Pete Warden
Επικεφαλής του προγράμματος εφαρμογής του TensorFlow σε φορητές πλατφόρμες.
