Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken f?r intelligente Systeme

Unknown Author

ISBN 10: 3960092121 / ISBN 13: 9783960092124

Beschreibung

Bestandsnummer des Verkäufers 26397083466

Bibliografische Details

• Titel: Praxiseinstieg Machine Learning mit Scikit-Learn, Keras und TensorFlow: Konzepte, Tools und Techniken f?r intelligente Systeme
• Sprache: Deutsch
• ISBN-10: 3960092121
• ISBN-13: 9783960092124
• Einband: Softcover
• Zustand: New

Über diesen Titel

Inhaltsangabe

Actualizado y ampliado 3. Edición del bestseller en TensorFlow y Deep Learning

• Ahora cubre muchas características nuevas de Scikit-Learn, así como la biblioteca Keras Tuner Library de Hugging Face y la biblioteca de PNL Transformers
• Metódicamente te presenta los conceptos básicos del aprendizaje automático con Scikit-Learn y transmite técnicas de aprendizaje profundo con Keras y TensorFlow
• Con numerosos ejercicios y soluciones.

El aprendizaje automático y el aprendizaje profundo en particular han experimentado avances impresionantes en los últimos años. Mientras tanto, incluso los programadores que saben poco sobre esta tecnología pueden implementar programas de aprendizaje automático con herramientas simples y eficientes. Este trabajo estándar utiliza ejemplos concretos, un mínimo de teoría y marcos de Python inmediatos (Scikit-Learn, Keras y TensorFlow) para brindarle una comprensión intuitiva de los conceptos y herramientas para desarrollar sistemas inteligentes.

En esta 3ª Edición actualizada, Aurélien Géron cubre una amplia gama de técnicas: desde la regresión lineal simple hasta las redes neuronales profundas. Numerosos ejemplos de código y ejercicios te ayudan a implementar lo que has aprendido en la práctica. Todo lo que necesitas es algo de experiencia en programación para comenzar directamente.

• Aprenda los conceptos básicos del aprendizaje automático a través de un extenso proyecto de muestra con Scikit-Learn
• Explore numerosos modelos, incluyendo máquinas vectoriales de soporte, árboles de decisión, bosques aleatorios y métodos de ensamblaje
• Utilice el aprendizaje no supervisado, como la reducción de dimensiones, la agrupación en clústeres y la detección de anomalías
• Crear arquitecturas de redes neuronales como redes neuronales convolucionales, redes neuronales recurrentes, redes generativas adversarias, autocodificadores, modelos de difusión y transformadores
• Utilice TensorFlow y Keras para crear y entrenar redes neuronales para visión por computadora, procesamiento del lenguaje natural, aprendizaje de refuerzo profundo y modelos generativos