Note :
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 8 votes.
Python Machine Learning Cookbook - Second Edition
Découvrez des moyens puissants pour résoudre efficacement les problèmes d'apprentissage automatique du monde réel en utilisant des bibliothèques clés, notamment scikit-learn, TensorFlow et PyTorch. Caractéristiques principales Apprenez et mettez en œuvre des algorithmes d'apprentissage automatique dans une variété de scénarios réels Couvrez une gamme de tâches répondant aux techniques d'apprentissage supervisé, non supervisé et de renforcement Trouvez des solutions de code faciles à suivre pour relever les défis courants et moins courants Description du livre
Cette deuxième édition très attendue du populaire Python Machine Learning Cookbook vous permettra d'adopter une nouvelle approche pour traiter les tâches d'apprentissage automatique et d'apprentissage profond dans le monde réel.
Avec l'aide de plus de 100 recettes, vous apprendrez à construire de puissantes applications d'apprentissage automatique en utilisant des bibliothèques modernes de l'écosystème Python. Le livre vous guidera également dans l'implémentation de divers algorithmes d'apprentissage automatique pour la classification, le clustering et les moteurs de recommandation, en utilisant une approche basée sur des recettes. En mettant l'accent sur les solutions pratiques, les sections dédiées du livre vous aideront à appliquer les techniques d'apprentissage supervisé et non supervisé aux problèmes du monde réel. Vers les derniers chapitres, vous vous familiariserez avec des recettes qui vous enseigneront des techniques avancées, notamment l'apprentissage par renforcement, les réseaux neuronaux profonds et l'apprentissage automatique.
À la fin de ce livre, vous aurez acquis les compétences nécessaires pour appliquer les techniques d'apprentissage automatique et exploiter toutes les capacités de l'écosystème Python à l'aide d'exemples concrets. Ce que vous apprendrez Utiliser la modélisation prédictive et l'appliquer à des problèmes réels Explorer les techniques de visualisation de données pour interagir avec vos données Apprendre à construire un moteur de recommandation Comprendre comment interagir avec des données textuelles et construire des modèles pour les analyser Travailler avec des données vocales et reconnaître des mots parlés en utilisant des modèles de Markov cachés Se familiariser avec l'apprentissage par renforcement, l'apprentissage automatique et l'apprentissage par transfert Travailler avec des données d'images et construire des systèmes de reconnaissance d'images et de visages biométriques Utiliser des réseaux neuronaux profonds pour construire un système de reconnaissance optique de caractères À qui ce livre s'adresse-t-il ?
Ce livre s'adresse aux scientifiques des données, aux développeurs de l'apprentissage automatique, aux passionnés de l'apprentissage profond et aux programmeurs Python qui souhaitent résoudre des problèmes concrets à l'aide de techniques et d'algorithmes d'apprentissage automatique. Si vous êtes confronté à des défis au travail et que vous souhaitez des solutions de code prêtes à l'emploi pour couvrir des tâches clés dans le domaine de l'apprentissage automatique et de l'apprentissage profond, alors ce livre est ce qu'il vous faut. Une bonne connaissance de la programmation Python et des concepts de l'apprentissage automatique sera utile. Table des matières Le domaine de l'apprentissage supervisé Construction d'un classificateur Modélisation prédictive Regroupement avec apprentissage non supervisé Visualisation des données Construction de moteurs de recommandation Analyse de données textuelles Reconnaissance vocale Analyse de séries temporelles et de données séquentielles Analyse de contenu d'images Reconnaissance biométrique de visages Techniques d'apprentissage par renforcement Réseaux neuronaux profonds Apprentissage de représentation non supervisé Apprentissage automatique et apprentissage par transfert Déverrouiller les problèmes de production
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)