"Эта книга - замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения."- Пит Уорден, технический руководитель направления TensorFlowБлагодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня - Scikit-Learn и TensorFlow - автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.Исследуйте область машинного обучения, особенно нейронные сетиИспользуйте Scikit-Learn для отслеживания проекта машинного обучения от начала до концаИсследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методыПрименяйте библиотеку TensorFlow для построения и обучения нейронных сетейИсследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплениемОсвойте приемы для обучения и масштабирования глубоких нейронных сетейИспользуйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов
"Eta kniga - zamechatelnoe vvedenie v teoriju i praktiku reshenija zadach s pomoschju nejronnykh setej. Ona okhvatyvaet kljuchevye momenty, neobkhodimye dlja postroenija effektivnykh prilozhenij, a takzhe obespechivaet dostatochnuju osnovu dlja ponimanija rezultatov novykh issledovanij po mere ikh pojavlenija. Ja rekomenduju etu knigu vsem, kto zainteresovan v osvoenii prakticheskogo mashinnogo obuchenija."- Pit Uorden, tekhnicheskij rukovoditel napravlenija TensorFlowBlagodarja serii nedavnikh dostizhenij glubokoe obuchenie znachitelno usililo vsju oblast mashinnogo obuchenija. V nashe vremja dazhe programmisty, pochti nichego ne znajuschie ob etoj tekhnologii, mogut ispolzovat prostye i effektivnye instrumenty dlja realizatsii programm, kotorye sposobny obuchatsja na osnove dannykh. V nastojaschem prakticheskom rukovodstve pokazano, chto i kak sleduet delat.Za schet primenenija konkretnykh primerov, minimuma teorii i dvukh frejmvorkov Python proizvodstvennogo urovnja - Scikit-Learn i TensorFlow - avtor knigi Orelen Zheron pomozhet vam poluchit intuitivnoe predstavlenie o kontseptsijakh i instrumentakh, prednaznachennykh dlja postroenija intellektualnykh sistem. Vy uznaete o rjade priemov, nachav s prostoj linejnoj regressii i postepenno dobravshis do glubokikh nejronnykh setej. Uchityvaja nalichie v kazhdoj glave uprazhnenij, prizvannykh zakrepit to, chemu vy nauchilis, dlja nachala raboty nuzhen lish opyt programmirovanija.Issledujte oblast mashinnogo obuchenija, osobenno nejronnye setiIspolzujte Scikit-Learn dlja otslezhivanija proekta mashinnogo obuchenija ot nachala do kontsaIssledujte nekotorye obuchajuschie modeli, vkljuchaja metody opornykh vektorov, derevja prinjatija reshenij, sluchajnye lesa i ansamblevye metodyPrimenjajte biblioteku TensorFlow dlja postroenija i obuchenija nejronnykh setejIssledujte arkhitektury nejronnykh setej, vkljuchaja svertochnye seti, rekurrentnye seti i glubokoe obuchenie s podkrepleniemOsvojte priemy dlja obuchenija i masshtabirovanija glubokikh nejronnykh setejIspolzujte prakticheskie primery koda, ne ovladevaja chrezmerno teoriej mashinnogo obuchenija ili detaljami algoritmov
