Apprentissage non supervisé pratique avec Python

Avis des lecteurs

Il n'y a actuellement aucun avis de lecteur. La note est basée sur 7 votes.

Titre original :

Hands-On Unsupervised Learning with Python

Contenu du livre :

Découvrez les compétences requises pour mettre en œuvre différentes approches de l'apprentissage automatique avec Python Caractéristiques principales Explorez l'apprentissage non supervisé avec le clustering, les autoencodeurs, les machines de Boltzmann restreintes, et plus encore Construisez vos propres modèles de réseaux neuronaux à l'aide de bibliothèques Python modernes Des exemples pratiques vous montrent comment mettre en œuvre différentes techniques d'apprentissage automatique et d'apprentissage approfondi Description du livre

L'apprentissage non supervisé consiste à utiliser des données brutes, non étiquetées, et à leur appliquer des algorithmes d'apprentissage pour aider une machine à prédire ses résultats. Ce livre vous permettra d'explorer le concept de l'apprentissage non supervisé pour regrouper de grands ensembles de données et les analyser de manière répétée jusqu'à ce que le résultat souhaité soit trouvé à l'aide de Python.

Ce livre commence par les différences clés entre l'apprentissage supervisé, non supervisé et semi-supervisé. Vous serez initié aux bibliothèques et frameworks les plus utilisés de l'écosystème Python et aborderez l'apprentissage non supervisé dans les domaines de l'apprentissage automatique et de l'apprentissage profond. Vous explorerez divers algorithmes et techniques utilisés pour mettre en œuvre l'apprentissage non supervisé dans des cas d'utilisation réels. Vous apprendrez une variété d'approches d'apprentissage non supervisé, y compris l'optimisation aléatoire, le clustering, la sélection et la transformation des caractéristiques, et la théorie de l'information. Vous obtiendrez une expérience pratique de la manière dont les réseaux neuronaux peuvent être employés dans des scénarios non supervisés. Vous explorerez également les étapes de la construction et de l'entraînement d'un GAN afin de traiter des images.

À la fin de ce livre, vous aurez appris l'art de l'apprentissage non supervisé pour différents défis du monde réel. Ce que vous apprendrez Utiliser des algorithmes de cluster pour identifier et optimiser des groupes naturels de données Explorer le clustering avancé non linéaire et hiérarchique en action Attribuer des étiquettes souples pour les modèles fuzzy c-means et de mélange gaussien Détecter des anomalies grâce à l'estimation de la densité Effectuer une analyse en composantes principales à l'aide de modèles de réseaux neuronaux Créer des modèles non supervisés à l'aide de GAN À qui s'adresse ce livre ?

Ce livre s'adresse aux statisticiens, aux scientifiques des données, aux développeurs de l'apprentissage automatique et aux praticiens de l'apprentissage profond qui souhaitent créer des applications intelligentes en mettant en œuvre des éléments clés de l'apprentissage non supervisé, et maîtriser toutes les nouvelles techniques et tous les nouveaux algorithmes proposés dans l'apprentissage automatique et l'apprentissage profond à l'aide d'exemples du monde réel. Une connaissance préalable des concepts d'apprentissage automatique et des statistiques est souhaitable. Table des matières Démarrer avec l'apprentissage non supervisé Principes fondamentaux du clustering Clustering avancé Clustering hiérarchique en action Clustering doux et modèles de mélange gaussien Détection des anomalies Réduction de la dimensionnalité et analyse des composants Modèles de réseaux neuronaux non supervisés Réseaux adversoriels génératifs et SOMs

Autres informations sur le livre :

• ISBN : 9781789348279
• Auteur : Giuseppe Bonaccorso
• Éditeur : Packt Pub
• Langue : anglais
• Reliure : Broché