Description
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 3rd Edition, est un livre complet conçu pour doter les programmeurs des connaissances et des outils nécessaires à la mise en œuvre de systèmes d'apprentissage automatique et d'apprentissage profond. Grâce à une série de percées récentes, l'apprentissage profond a considérablement fait progresser le domaine, le rendant accessible à ceux qui ont une connaissance préalable limitée de la technologie. Ce livre comble cette lacune en se concentrant sur l'application pratique et la compréhension intuitive.
Lire la suite
Le cœur du livre tourne autour de l'utilisation de frameworks Python prêts pour la production : Scikit-Learn pour les tâches d'apprentissage automatique traditionnelles et Keras et TensorFlow pour l'apprentissage profond. Il guide les lecteurs dans la construction de systèmes intelligents en commençant par des concepts fondamentaux comme la régression linéaire et en progressant vers des réseaux neuronaux profonds complexes. L'approche met l'accent sur des exemples concrets et une théorie minimale, garantissant que les lecteurs acquièrent rapidement des compétences pratiques.
La troisième édition mise à jour explore un large éventail de techniques. Les lecteurs apprendront à suivre un projet ML exemple du début à la fin en utilisant Scikit-learn, couvrant divers modèles tels que les machines à vecteurs de support, les arbres de décision, les forêts aléatoires et les méthodes d'ensemble. Les techniques d'apprentissage non supervisé, y compris la réduction de dimensionnalité, le clustering et la détection d'anomalies, sont également explorées en profondeur. Pour l'apprentissage profond, le livre aborde les architectures de réseaux neuronaux comme les réseaux convolutionnels, les réseaux récurrents, les réseaux antagonistes génératifs, les auto-encodeurs, les modèles de diffusion et les transformeurs.
De plus, le livre fournit des conseils complets sur l'utilisation de TensorFlow et Keras pour construire et entraîner des réseaux neuronaux pour diverses applications, y compris la vision par ordinateur, le traitement du langage naturel, les modèles génératifs et l'apprentissage par renforcement profond. De nombreux exemples de code et exercices sont intégrés tout au long du texte pour renforcer l'apprentissage et encourager l'expérimentation pratique. La seule condition préalable est l'expérience en programmation, ce qui en fait une ressource idéale pour les développeurs cherchant à entrer dans le domaine de l'IA et de l'apprentissage automatique.
- CatégorieAutres outils IA
Détails du livre
Guide pratique de l'apprentissage automatique et de l'apprentissage profond
Utilise Scikit-Learn pour les tâches ML traditionnelles
Emploie Keras et TensorFlow pour l'apprentissage profond
Couvre des techniques allant de la régression linéaire aux réseaux neuronaux profonds
Se concentre sur des exemples concrets et une théorie minimale
Comprend de nombreux exemples de code et exercices
Explore divers modèles ML (SVM, arbres de décision, forêts aléatoires, ensembles)
Couvre l'apprentissage non supervisé (réduction de dimensionnalité, clustering, détection d'anomalies)
Détaille les architectures de réseaux neuronaux (CNN, RNN, GAN, auto-encodeurs, modèles de diffusion, transformeurs)
Applications en vision par ordinateur, NLP, modèles génératifs et apprentissage par renforcement profond
Troisième édition mise à jour avec les pratiques actuelles
À qui s'adresse ce livre
- Construire des systèmes intelligents
- Tâches de vision par ordinateur
- Traitement du langage naturel
- Modèles génératifs
- Apprentissage par renforcement profond
- Analyse de données et prédiction
- Détection d'anomalies
