Razvoj modela mašinskog učenja i dubokog učenja pomoću programskog jezika Python.

Mašinsko učenje uz PyTorch i Scikit-Learn je kompletan vodič za mašinsko učenje i duboko učenje pomoću biblioteke PyTorch. Služiće vam i kao prirunik za učenje i kao referenca koju ćete uvek koristiti dok gradite sisteme mašinskog učenja.

Naučićete sve osnovne tehnike mašinskog učenja zahvaljujući jasnim objašnjenjima, vizuelizacijama i primerima. Dok ste uz neke knjige primorani da slepo sledite uputstva, uz ovu knjigu o mašinskom učenju shvatićete principe koji vam omogućavaju da sami gradite modele i aplikacije.

Ova knjiga je ažurirana tako da obuhvata duboko učenje upotrebom biblioteke PyTorch i predstavlja čitaocima najnovije dodatke biblioteci scikit-learn. Uz to, ova knjiga objašnjava različite tehnike mašinskog učenja i dubokog učenja za klasifikaciju teksta i slika. Takođe ćete učiti o generativnim suparničkim mrežama (GAN) za generisanje novih podataka i inteligentnim agentima za obuku uz učenje uslovljavanjem. Konačno, ovo novo, prošireno, izdanje obuhvata najnovije trendove dubokog učenja, uključujući grafovske neuronske mreže i transformatore velikih razmera koji služe za obradu govornog jezika (NLP).

Ova knjiga o biblioteci PyTorch biće vaš kompanjon za mašinsko učenje u programskom jeziku Python, bilo da ste Python programer koji tek počinje da se bavi mašinskim učenjem ili želite da produbite svoje znanje o najnovijim dostignućima.

Uveren sam da će vam ova knjiga biti od neprocenjive vrednosti i kao opširan pregled uzbudljive oblasti mašinskog učenja i kao riznica praktičnih uvida. Nadam se da će vas inspirisati da primenite mašinsko učenje za opšte dobro u bilo kom području koje vam zadaje probleme.

Šta ćete naučiti

• Istraživanje radnih okvira, modela i tehnika za mašinsko 'učenje' iz podataka
• Upotrebu biblioteke scikit-learn za mašinsko učenje i biblioteke PyTorch za duboko učenje
• Obučavanje klasifikatora mašinskog učenja slikama, tekstom i drugim
• Izgradnju i obučavanje neuronskih mreža, transformatora i grafovskih neuronskih mreža
• Najbolju praksu za procenu i podešavanje modela
• Predviđanje kontinuiranih ciljnih ishoda pomoću regresione analize
• Otkrivanje detalja tekstualnih podataka i podataka društvenih medija pomoću analize mišljenja

Kratak sadržaj

• Kako da računarima pružite mogućnost da uče iz podataka
• Obučavanje jednostavnih algoritama mašinskog učenja za klasifikaciju
• Predstavljanje klasifikatora mašinskog učenja pomoću biblioteke scikit-learn
• Izgradnja dobrih skupova podataka za obuku – pretproceriranje podataka
• Kompresovanje podataka upotrebom redukcije dimenzionalnosti
• Učenje najbolje prakse za procenu modela i podešavanje hiperparametara
• Kombinovanje različitih modela za učenje u ansamblu
• Primena mašinskog učenja na analizu mišljenja
• Predviđanje kontinuiranih ciljnih promenljivih pomoću regresione analize
• Upotreba neoznačenih podataka – analiza klasterovanja
• Implementiranje višeslojnih veštačkih neuronskih mreža od nule
• Paralelizacija obuke neuronske mreže pomoću radnig okvira PyTorch
• Detaljnije - mehanika radnog okvira PyTorch
• Klasifikacija slika pomoću dubokih konvolutivnih neuronskih mreža
• Modelovanje sekvencijalnih podataka korišćenjem rekurentnih neuronskih mreža
• Transformatori - Poboljšanje obrade govornog jezika pomoću mehanizma pažnje
• Generativne suparničke mreže za sintetizovanje novih podataka
• Grafovske neuronske mreže za otkrivanje zavisnosti u grafički strukturiranim podacima
• Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima

 

Preporučujemo

Preporučujemo

 

Moderne DevOps prakse, prevod drugog izdanja

Moderne DevOps prakse, prevod drugog izdanja, Gaurav Agarwal

Naučite kvantno računarstvo uz Python i Q#

Naučite kvantno računarstvo uz Python i Q#, Sarah C. Kaiser, Christopher E. Granade

Python intenzivni kurs, prevod 3. izdanja

Python intenzivni kurs, prevod 3. izdanja, Eric Matthes