dm-element.ru

Амейзен Э. Создание приложений машинного обучения: от идеи к продукту

Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)! Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров. Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение - от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами отрасли. Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга.

Амейзен Э. Создание приложений машинного обучения: от идеи к продукту

Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)! Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров. Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение - от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами отрасли. Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга.

Амейзен Эммануэль Создание приложений машинного обучения. От идеи к продукту

Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)! Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров. Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение — от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами отрасли. Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга. Книга поможет: • Определить цель вашего МО-проекта • Быстро построить первый сквозной пайплайн и найти исходный датасет • Обучить модель и устранить узкие места в ее производительности • Развернуть модель и осуществить ее мониторинг

Амейзен Эммануэль Создание приложений машинного обучения: от идеи к продукту

Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)!Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров.Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение — от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами отрасли.Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга.Книга поможет:•Определить цель вашего МО-проекта•Быстро построить первый сквозной пайплайн и найти исходный датасет•Обучить модель и устранить узкие места в ее производительности•Развернуть модель и осуществить ее мониторинг

Создание приложений машинного обучения: от идеи к продукту

Освойте ключевые навыки проектирования, разработки и развертывания приложений на базе машинного обучения (МО)!Пошаговое руководство по созданию МО-приложений с упором на практику: для специалистов по обработке данных, разработчиков программного обеспечения и продакт-менеджеров.Читая эту книгу, вы шаг за шагом создадите реальное практическое приложение — от идеи до внедрения. В вашем распоряжении примеры кодов, иллюстрации, скриншоты и интервью с ведущими специалистами отрасли.Вы научитесь планировать и измерять успех МО-проектов, разберетесь, как построить рабочую модель, освоите способы ее итеративной доработки. И, наконец, познакомитесь со стратегиями развертывания и мониторинга.Книга поможет:• Определить цель вашего МО-проекта• Быстро построить первый сквозной пайплайн и найти исходный датасет• Обучить модель и устранить узкие места в ее производительности• Развернуть модель и осуществить ее мониторинг

Программируем с PyTorch: Создание приложений глубокого обучения

PyTorch – это фреймворк от Facebook с открытым исходным кодом. Узнайте, как использовать его для создания собственных нейронных сетей. Ян Пойнтер поможет разобраться, как настроить PyTorch в облачной среде, как создавать нейронные архитектуры, облегчающие работу с изображениями, звуком и текстом. Книга охватывает важнейшие концепции применения переноса обучения, модели отладки и использования библиотеки PyTorch. Вы научитесь:- Внедрять модели глубокого обучения в работу- Использовать PyTorch в масштабных проектах- Применять перенос обучения- Использовать PyTorch torchaudio и сверточные модели для классификации аудиоданных - Применять самые современные методы NLP, используя модель, обученную на «Википедии»- Выполнять отладку моделей PyTorch с TensorBoard и флеймграф- Развертывать приложения PyTorch в контейнерах«PyTorch –– это одна из самых быстрорастущих библиотек глубокого обучения, соперничающая с гигантом Google — TensorFlow — практически на равных. Книга обязательно должна стать настольной для каждого программиста и разработчика алгоритмов машинного обучения, которые хотят использовать PyTorch в своей работе».Анкур Патель, вице-президент направления Data Science в компании 7Park DataЯн Пойнтер (Ian Pointer) — дата-инженер – создает решения машинного обучения для клиентов из списка Fortune 100. В настоящее время работает в Lucidworks, где занимается разработкой NLP-приложений и проектированием.

Пойтнер Ян Программируем с PyTorch. Создание приложений глубокого обучения

PyTorch – это фреймворк от Facebook с открытым исходным кодом. Узнайте, как использовать его для создания собственных нейронных сетей. Ян Пойнтер поможет разобраться, как настроить PyTorch в облачной среде, как создавать нейронные архитектуры, облегчающие работу с изображениями, звуком и текстом. Книга охватывает важнейшие концепции применения переноса обучения, модели отладки и использования библиотеки PyTorch. Вы научитесь: - Внедрять модели глубокого обучения в работу - Использовать PyTorch в масштабных проектах - Применять перенос обучения - Использовать PyTorch torchaudio и сверточные модели для классификации аудиоданных - Применять самые современные методы NLP, используя модель, обученную на «Википедии» - Выполнять отладку моделей PyTorch с TensorBoard и флеймграф - Развертывать приложения PyTorch в контейнерах «PyTorch –– это одна из самых быстрорастущих библиотек глубокого обучения, соперничающая с гигантом Google — TensorFlow — практически на равных. Книга обязательно должна стать настольной для каждого программиста и разработчика алгоритмов машинного обучения, которые хотят использовать PyTorch в своей работе». Анкур Патель, вице-президент направления Data Science в компании 7Park Data Ян Пойнтер (Ian Pointer) — дата-инженер – создает решения машинного обучения для клиентов из списка Fortune 100. В настоящее время работает в Lucidworks, где занимается разработкой NLP-приложений и проектированием.

Пойнтер Ян Программируем с PyTorch: Создание приложений глубокого обучения

Пойнтер Ян Программируем с PyTorch: Создание приложений глубокого обучения

Шалев-Шварц Шай, Бен-Давид Шай Идеи машинного обучения

Машинное обучение - один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия. Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин. Важнейшие алгоритмы машинного обучения Когда необходимо машинное обучение Вычислительная сложность обучения Обучение нейронных сетей Оценка максимального правдоподобия Инструмент для извлечения информации из больших наборов данных

Шалев-Шварц Ш., Бен-Давид Ш. Идеи машинного обучения

Машинное обучение - один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия. .Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин. .Важнейшие алгоритмы машинного обучения .Когда необходимо машинное обучение .Вычислительная сложность обучения .Обучение нейронных сетей .Оценка максимального правдоподобия .Инструмент для извлечения информации из больших наборов данных

Шалев-Шварц Ш., Бен-Давид Ш. Идеи машинного обучения

Машинное обучение - один из самых быстро развивающихся разделов информатики, с приложениями в самых разных областях. Цель этой книги - познакомить читателя с фундаментальными принципами машинного обучения и характерными для него алгоритмическими парадигмами. Книга содержит обширный свод основополагающих теоретических идей машинного обучения и математические выкладки, благодаря которым эти идеи становятся практическими алгоритмами. Вслед за изложением базовых основ дисциплины рассматривается широкий спектр тем, не нашедших достаточного отражения в предшествующих учебниках: вычислительная сложность обучения, понятия выпуклости и устойчивости, важные алгоритмы, включая стохастический градиентный спуск, нейронные сети и обучение структурированному выводу, а также совсем недавние теоретические концепции, например, PAC-байесовский подход и границы сжатия. .Книга задумывалась как повышенный курс для студентов средних и старших курсов, фундаментальные основы и алгоритмы машинного обучения излагаются в форме, доступной студентам и читателям, не являющимся специалистами в области математической статистики, информатики, математики и технических дисциплин. .Важнейшие алгоритмы машинного обучения .Когда необходимо машинное обучение .Вычислительная сложность обучения .Обучение нейронных сетей .Оценка максимального правдоподобия .Инструмент для извлечения информации из больших наборов данных

Методика обучения программированию на Python через создание игр и приложений: от базового до продвинутого уровня

На занятиях вы: — Научитесь простым приложениям, работе с виджетами, создавать игры; — Сможете запустить кружок или встроить обучение языку Python в школьные уроки информатики; — Пополните копилку идей учебных проектов, получите доступ к базе онлайн-тестов по предмету.

Рашка Себастьян, Мирджалили Вахид Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn

Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения. Книга наполнена четкими пояснениями, визуальными представлениями, работающими примерами и детально раскрывает все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения. Третье издание книги обновлено с целью учета версии библиотеки TensorFlow 2 и последних добавлений в scikit-learn. Оно расширено для охвата двух самых современных методик машинного обучения: обучения с подкреплением и порождающих состязательных сетей. Эта книга — ваш попутчик в машинном обучении с применением Python, будь вы разработчиком приложений на языке Python, не знакомым с машинным обучением, или разработчиком, желающим углубить свои знания в современных областях. Основные темы книги Фреймворки, модели и методики, которые позволяют машинам "учиться" на основе данных Использование scikit-learn для машинного обучения и TensorFlow для глубокого обучения Применение машинного обучения для классификации изображений, смыслового анализа, создания интеллектуальных веб-приложений и многого другого Построение и обучение нейронных сетей, порождающих состязательных сетей и других моделей Реализация веб-приложений с искусственным интеллектом Выполнение очистки и подготовки данных для машинного обучения Классификация изображений с использованием глубоких сверточных нейронных сетей Рекомендуемые приемы для оценки и настройки моделей Прогнозирование непрерывных целевых результатов с использованием регрессионного анализа Обнаружение скрытых шаблонов и структуры в данных с помощью кластеризации Углубление в текстовые данные и данные социальных сетей с применением смыслового анализа Прикладное машинное обучение с прочным теоретическим фундаментом. Новое издание пересмотрено и расширено с целью охвата TensorFlow 2, порождающих состязательных сетей (GAN) и обучения с подкреплением. Книга является всеобъемлющим руководством по машинному и глубокому обучению с использованием языка Python. Она служит как пошаговым учебным пособием, так и справочником, к которому вы постоянно будете возвращаться в ходе построения систем машинного обучения. Книга наполнена четкими пояснениями, визуальными представлениями и работающими примерами, детально раскрывая все важные методики машинного обучения. В то время как некоторые книги учат вас следовать инструкциям, Рашка и Мирджалили излагают принципы, лежащие в основе машинного обучения, что позволит вам самостоятельно строить модели и приложения. Обновленное с учетом библиотеки TensorFlow 2.0 третье издание предлагает читателям ознакомиться с ее новыми средствами API-интерфейса Keras, а также с последними добавлениями в scikit-learn. Оно расширено для охвата самых современных методик обучения с подкреплением, основанных на глубоком обучении, и введения в порождающие состязательные сети. Наконец, в книге также проводится исследование подобласти обработки естественного языка (NLP), называемой смысловым анализом, что поможет вам использовать алгоритмы машинного обучения для классификации документов. Книга обсуждается в отдельном сообщении в блоге Виктора Штонда. 3-е издание.

Шумский Сергей Александрович Машинный интеллект. Очерки по теории машинного обучения и искусственного интеллекта

В книге дается обзор современного состояния и перспектив развития исследований по машинному интеллекту. Предложен подход к созданию "сильного" искусственного интеллекта с использованием принципов работы человеческого мозга. Каждая глава представляет собой самостоятельный очерк, ставящий и разрешающий актуальные вопросы современности: Какие задачи предстоит решить на пути совершенствования машинного обучения? Как машинный интеллект может способствовать технологическому развитию общества в целом и частного предпринимательства в частности? Чего можно ожидать от машинного интеллекта в ближайшие 10-15 лет? Адресована студентам, исследователям и разработчикам приложений в области искусственного интеллекта, а также всем, кого интересуют принципы работы мозга с позиций теории машинного обучения.

Шумский С. Машинный интеллект. Очерки по теории машинного обучения и искусственного интеллекта

В книге дается обзор современного состояния и перспектив развития исследований по машинному интеллекту. Предложен подход к созданию "сильного" искусственного интеллекта с использованием принципов работы человеческого мозга. .Каждая глава представляет собой самостоятельный очерк, ставящий и разрешающий актуальные вопросы современности: Какие задачи предстоит решить на пути совершенствования машинного обучения? Как машинный интеллект может способствовать технологическому развитию общества в целом и частного предпринимательства в частности? Чего можно ожидать от машинного интеллекта в ближайшие 10-15 лет? .Адресована студентам, исследователям и разработчикам приложений в области искусственного интеллекта, а также всем, кого интересуют принципы работы мозга с позиций теории машинного обучения.