Deep Learning. Praktyczne wprowadzenie
- Час доставки: 7-10 днів
- Стан товару: новий
- Доступна кількість: 6
Приобретая «Deep Learning. Praktyczne wprowadzenie» данный товар из каталога «E-бизнес» вы можете быть уверены, что после оформления заказа, доставки в Украину, вы получите именно то, что заказывали, в оговоренные сроки и европейского качества.
Глибоке навчання. Практичний вступ із використанням середовища Python
Автор: Рон Кнеузел
Видавець: Helion
Рік видання: 2022
Переклад: Krzysztof Sawka
ISBN: 978-83-283-8859-8 b>
Формат: 165x228
Обкладинка: м'яка
Сторінок: 472
Книга нова
99,00 злотих ---> 62,37 злотих
Глибоке навчання захоплює багатьох інженерів і практиків. Незважаючи на те, що системи, засновані на машинному навчанні, використовуються в різних галузях, вони все ще вважаються тривожною технологією. Дійсно, у випадку, наприклад, нейронних мереж, ми не знаємо, що саме вивчає модель. Ми можемо лише оцінити, чи добре він виконує своє завдання. Здається, у тому, як працюють алгоритми глибокого навчання, є магія. Ось чому варто ознайомитися з фактами та дізнатися, що таке машинне навчання, особливо глибоке навчання.
Ця книга є доступним посібником із машинного навчання. Щоб зрозуміти його зміст, потрібні лише базові навички програмування та знання математики на рівні середньої школи. Є обговорення основних понять і пояснення механізмів, що керують глибинним навчанням. Прочитавши, ви дізнаєтеся, що характеризує хороший навчальний набір даних, як оцінити ефективність моделі та як використовувати такі моделі, як k-найближчі сусіди, випадкові ліси чи машина опорних векторів. Також багато місця приділено нейронним мережам, механізмам їх роботи та методикам навчання. І хоча ви не знайдете тут готових рецептів, ви отримаєте знання, необхідні для розробки робочої моделі глибокого навчання з нуля.
Книга містить:
- створення хорошого набору навчальних даних< /li>
- робота з бібліотеками scikit-learn і Keras
- класичні моделі машинного навчання
- механізм роботи та навчання нейронних мереж li>
- моделі з використанням згорткових нейронних мереж
- підготовка робочої моделі з нуля