Книга Машинное обучение с PyTorch и Scikit-Learn (Рашка С.)

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.Перед вами не только исчерпывающее руководство по машинному и глубокому обучению с использованием Python, фреймворка PyTorch и библиотеки scikit-learn. но и справочник, к которому вы будете постоянно возвращаться при создании систем машинного обучения. Книга подробно описывает все основные методы машинного обучения и содержит четкие пояснения, визуализации и примеры. Автор стремится научить читателя принципам самостоятельного создания моделей и приложений, а не просто следовать жестким инструкциям.Описаны новые дополнения к библиотеке scikit-learn. Рассмотрены различные методы машинного и глубокого обучения для классификации текста и изображений. Рассказано о генеративно-состязательных сетях (GAN) для синтеза новых данных и обучения интеллектуальных агентов Освещены последние тенденции в области глубокого обучения, включая введение в графовые нейронные сети и крупномасштабные преобразователи, используемые для обработки естественного языка (NLP). Книга будет полезна как начинающим разработчикам на Python, слабо знакомым с машинным обучением, так и опытным, желающим углубить свои знания.Вы изучите:фреймворки, модели и методы машинного обучения, применимые к широкому кругу задач и наборов данных;библиотеку scikit-learn для машинного обучения и фреймворк PyTorch для глубокого обучения;приемы обучения классификаторов на изображениях, тексте и т. д.;средства создания и обучения нейронных сетей, преобразователей и графических нейронных сетей;передовые методы оценки и настройки моделей.Вы сможете глубже понять:прогнозирование непрерывных целевых результатов с помощью регрессионного анализа;особенности текстовых данных и данных из социальных сетей с помощью тонального анализа.Архив с цветными иллюстрациями и кодами всех примеров можно скачать по ссылке https://tinyurl.com/3f5nfu52 или https://github.com/rasbt/python-machine-learning-book-3rd-edition/.Я уверен, что эта книга станет для вас бесценным источником теоретических знаний в области машинного обучения и сокровищницей практических идей. Я надеюсь, что она вдохновит вас на новые потрясающие достижения, независимо от того, какие задачи вы решаете. Дмитро Джулгаков, ведущий разработчик PyTorch CoreЮси (Хэйден) Лю — инженер-программист, отдел машинного обучения в Google. Он разрабатывает и совершенствует модели и системы машинного обучения для оптимизации рекламы в крупнейшей поисковой системе мира.