Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme

Géron, Aurélien

ISBN 10: 3960092121 / ISBN 13: 9783960092124

Editore: Dpunkt.Verlag GmbH, 2023

Riguardo questo articolo

German language. 9.33x6.54x1.77 inches. In Stock.

Codice articolo __3960092121

Dati bibliografici

• Titolo: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken für intelligente Systeme
• Editore: Dpunkt.Verlag GmbH
• Data di pubblicazione: 2023
• Lingua: Tedesco
• ISBN 10: 3960092121
• ISBN 13: 9783960092124
• Rilegatura: Paperback
• Condizione: Brand New

Descrizione articolo

Riassunto

Aggiornato e ampliato 3. Edizione del bestseller su TensorFlow e Deep Learning

• Ora copre molte nuove funzionalitŕ di Scikit-Learn, cosě come la Keras Tuner Library di Hugging Face e la libreria NLP Transformers
• Ti introduce metodicamente alle basi del machine learning con Scikit-Learn e trasmette tecniche di deep learning con Keras e TensorFlow
• Con numerosi esercizi e soluzioni.

In particolare, il machine learning e il deep learning hanno registrato notevoli progressi negli ultimi anni. Nel frattempo, anche i programmatori che sanno poco di questa tecnologia possono implementare programmi di apprendimento automatico con strumenti semplici ed efficienti. Questo lavoro standard utilizza esempi concreti, un minimo di teoria e framework Python immediati (Scikit-Learn, Keras e TensorFlow) per darti una comprensione intuitiva dei concetti e degli strumenti per lo sviluppo di sistemi intelligenti.

In questa terza edizione aggiornata, Aurélien Géron copre una vasta gamma di tecniche: dalla semplice regressione lineare alle reti neurali profonde. Numerosi esempi di codice ed esercizi ti aiutano a implementare ciň che hai imparato nella pratica. Tutto ciň di cui hai bisogno č un'esperienza di programmazione per iniziare direttamente.

• Impara le basi del machine learning attraverso un ampio progetto di esempio con Scikit-Learn
• Esplora numerosi modelli tra cui Support Vector Machines, Decision Trees, Random Forests e Ensemble Methods
• Utilizzare l'apprendimento non supervisionato come la riduzione delle dimensioni, il clustering e il rilevamento delle anomalie
• Creare architetture di rete neurale come reti neurali convoluzionali, reti neurali ricorrenti, reti generative contraddittorie, autoencoder, modelli di diffusione e trasformatori
• Usa TensorFlow e Keras per creare e addestrare reti neurali per la visione artificiale, l'elaborazione del linguaggio naturale, l'apprendimento del rinforzo profondo e i modelli generativi