Avis des lecteurs
Résumé:Le livre est apprécié pour son approche pratique de l'apprentissage automatique et de TensorFlow, avec des explications claires et un code bien commenté. De nombreux critiques le recommandent comme une ressource de départ utile pour les nouveaux venus dans le domaine. Cependant, il a été critiqué pour être trop simpliste, manquer de fondements mathématiques et contenir des exemples dépassés qui ne fonctionnent pas avec les dernières versions de TensorFlow. Certains utilisateurs ont trouvé l'écriture décousue et ont estimé que de meilleures informations pouvaient être trouvées en ligne.
Avantages:⬤ Introduction pratique
⬤ bien organisée
⬤ explications claires
⬤ excellents exemples avec code annoté
⬤ adapté aux débutants
⬤ style d'enseignement terre-à-terre
⬤ bon pour reconstituer les connaissances existantes.
⬤ Trop basique pour les utilisateurs expérimentés
⬤ manque de rigueur mathématique
⬤ exemples obsolètes et défectueux
⬤ certains trouvent l'écriture médiocre et détournée
⬤ la seconde moitié se concentre trop sur des sujets plus simples au lieu des spécificités de TensorFlow.
(basé sur 22 avis de lecteurs)
Titre original :
Machine Learning with Tensorflow
Contenu du livre :
Résumé
Machine Learning with TensorFlow donne aux lecteurs une base solide dans les concepts de l'apprentissage automatique et une expérience pratique du codage de TensorFlow avec Python.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie
TensorFlow, la bibliothèque de Google pour l'apprentissage automatique à grande échelle, simplifie les calculs souvent complexes en les représentant sous forme de graphes et en mappant efficacement des parties de ces graphes aux machines d'un cluster ou aux processeurs d'une seule machine.
A propos du livre
Machine Learning with TensorFlow donne aux lecteurs une base solide des concepts de l'apprentissage automatique et une expérience pratique du codage de TensorFlow avec Python. Vous apprendrez les bases en travaillant avec les algorithmes classiques de prédiction, de classification et de regroupement. Ensuite, vous passerez aux chapitres les plus intéressants : l'exploration des concepts d'apprentissage profond tels que les autoencodeurs, les réseaux neuronaux récurrents et l'apprentissage par renforcement. En lisant ce livre, vous serez prêt à utiliser TensorFlow pour vos propres applications d'apprentissage automatique et d'apprentissage profond.
Contenu de l'ouvrage
⬤ Correspondance entre vos tâches et les bonnes approches d'apprentissage automatique et d'apprentissage profond.
⬤ Visualiser les algorithmes avec TensorBoard.
⬤ Comprendre et utiliser les réseaux neuronaux.
A propos du lecteur
Écrit pour les développeurs expérimentés avec Python et les concepts algébriques tels que les vecteurs et les matrices.
À propos de l'auteur
L'auteur Nishant Shukla est un chercheur en vision artificielle qui se concentre sur l'application des techniques d'apprentissage automatique à la robotique.
Le rédacteur technique principal, Kenneth Fricklas, est un développeur, un auteur et un praticien de l'apprentissage automatique chevronné.
Table des matières
PARTIE 1 - VOTRE PLATE-FORME D'APPRENTISSAGE AUTOMATIQUE.
⬤ L'odyssée de l'apprentissage automatique.
⬤ Les essentiels de TensorFlow.
PARTIE 2 - ALGORITHMES D'APPRENTISSAGE DE BASE.
⬤ La régression linéaire et au-delà.
⬤ Une introduction en douceur à la classification.
⬤ Le regroupement automatique des données.
⬤ Modèles de Markov cachés.
PARTIE 3 - LE PARADIGME DES RÉSEAUX NEURONAUX.
⬤ Un aperçu des autoencodeurs.
⬤ Apprentissage par renforcement.
⬤ Réseaux neuronaux évolutifs.
⬤ Réseaux neuronaux récurrents.
⬤ Modèles de séquence à séquence pour les chatbots.
⬤ Paysage de l'utilité.
Autres informations sur le livre :
| ISBN : | 9781617293870 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
