Рашка Себастьян, Лю Юси (Хэйден), Мирджалили Вахид. Машинное обучение с PyTorch и Scikit-Learn. Разрабатывайте модели машинного и глубокого обучения с помощью Python

Астана: Фолиант, 2024. — 688 с. — (Взгляд экспертов). — ISBN: 978-601-11-0034-2.Предисловие: Дмитро Джулгаков, ведущий специалист PyTorch Core.Исчерпывающее руководство по машинному (МО) и глубокому обучению с использованием языка программирования Python, фреймворка PyTorch и библиотеки scikit-learn. Рассмотрены основы МО, алгоритмы для задач классификации, классификаторы на основе scikit-learn, предварительная обработка и сжатие данных, современные методы оценки моделей и объединение различных моделей для ансамблевого обучения. Рассказано о применении МО для анализа текста и прогнозировании непрерывных целевых переменных с помощью регрессионного анализа, кластерном анализе и обучении без учителя, показано построение многослойной искусственной нейронной сети с нуля. Раскрыты продвинутые возможности PyTorch для решения сложных задач. Описано применение глубоких сверточных и рекуррентных нейронных сетей, трансформеров, генеративных состязательных и графовых нейронных сетей, Особое внимание уделено обучению с подкреплением для систем принятия решений в сложных средах. Электронный архив содержит цветные иллюстрации и коды всех примеров.
Для программистов в области машинного обучения.Наделение компьютеров способностью обучения на данных.
Обучение простых алгоритмов МО для классификации.
Обзор классификаторов на основе машинного обучения с использованием scikit-learn.
Построение хороших обучающих наборов с помощью предварительной обработки данных.
Сжатие данных с помощью понижения размерности.
Изучение практического опыта оценки моделей и настройки гиперпараметров.
Объединение разных моделей для ансамблевого обучения.
Применение машинного обучения для смыслового анализа.
Встраивание модели машинного обучения в веб-приложение.
Прогнозирование значений непрерывных целевых переменных с помощью регрессионного анализа.
Работа с непомеченными данными – кластерный анализ.
Реализация многослойной искусственной нейронной сети с нуля.
Распараллеливание процесса обучения нейронных сетей с помощью TensorFlow.
Погружаемся глубже — механика TensorFlow.
Классификация изображений с помощью глубоких сверточных нейронных сетей.