Новинки Себастьяна Рашки

Machine Learning with PyTorch and Scikit-Learn is a comprehensive guide to machine learning and deep learning with PyTorch. It acts as both a step-by-step tutorial and a reference you'll keep coming back to as you build your machine learning systems.

Packed with clear explanations, visualizations, and examples, the book covers all the essential machine learning techniques in depth. While some books teach you only to follow instructions, with this machine learning book, we teach the principles allowing you to build models and applications for yourself.

Why PyTorch?

PyTorch is the Pythonic way to learn machine learning, making it easier to learn and simpler to code with. This book explains the essential parts of PyTorch and how to create models using popular libraries, such as PyTorch Lightning and PyTorch Geometric.

You will also learn about generative adversarial networks (GANs) for generating new data and training intelligent agents with reinforcement learning. Finally, this new edition is expanded to cover the latest trends in deep learning, including graph neural networks and large-scale transformers used for natural language processing (NLP).

This PyTorch book is your companion to machine learning with Python, whether you're a Python developer new to machine learning or want to deepen your knowledge of the latest developments.

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.

Машинное обучение поглощает мир программного обеспечения. Освойте и работайте с передовыми технологиями машинного обучения, нейронных сетей и глубокого обучения с помощью 2-го издания бестселлера Себастьяна Рашки.
Будучи основательно обновленной с учетом самых последних технологий с открытым кодом, включая такие библиотеки, как scikit-learn, Keras и TensorFlow, эта книга предлагает практические знания и приемы, которые необходи

Машинное обучение поглощает мир программного обеспечения. Освойте и работайте с передовыми технологиями машинного обучения, нейронных сетей и глубокого обучения с помощью 2-го издания бестселлера Себастьяна Рашки.
Будучи основательно обновленной с учетом самых последних технологий с открытым кодом, включая такие библиотеки, как scikit-learn, Keras и TensorFlow, эта книга предлагает практические знания и приемы, которые необходимы для создания эффективных приложений машинного и глубокого обучения на языке Python. Обладающие уникальной проницательностью и знанием дела авторы книги, Себастьян Рашка и Вахид Мирджалили, ознакомят вас с алгоритмами машинного обучения и глубокого обучения и постепенно подведут к сложным темам в анализе данных. В книге предлагается сочетание теоретических принципов машинного обучения с практическим подходом к написанию кода для полного понимания теории машинного обучения и реализация с помощью Python.
Основные темы книги
Освойте основные фреймворки в науке о данных, машинном обучении и глубоком обучении
Задайте новые вопросы своим данным через модели машинного обучения и нейронные сети
Используйте всю мощь самых последних библиотек Python с открытым кодом для машинного обучения
Научитесь строить реализации глубоких нейронных сетей с применением библиотеки TensorFlow
Встраивайте модели машинного обучения в доступные веб-приложения
Прогнозируйте непрерывные целевые результаты с применением регрессионного анализа
Раскройте скрытые шаблоны и структуры в данных с помощью кластеризации
Анализируйте изображения с использованием приемов глубокого обучения
Углубитесь в текстовые данные и данные из социальных сетей с применением смыслового анализа
Если вы читали 1-е издание книги, то вам доставит удовольствие найти новый баланс классических идей и современных знаний в машинном обучении.
Каждая глава была серьезно обновлена, и появились новые главы по ключевым технологиям. У вас будет возможность изучить и поработать с TensorFlow более вдумчиво, нежели ранее, а также получить важнейший охват библиотеки для нейронных сетей Keras наряду с самыми свежими обновлениями библиотеки scikit-learn.
Об авторах
Себастьян Рашка, автор ставшего бестселлером 1-го издания этой книги, обладает многолетним опытом написания кода на языке Python. Он проводил многочисленные семинары по практическому применению науки о данных, машинному обучению и глубокому обучению, включая руководство по машинному обучению на SciPy - ведущей конференции, посвященной научным расчетам с помощью Python.
Несмотря на то что исследовательские проекты Себастьяна сосредоточены главным образом на решении задач в области вычислительной биологии, ему нравится писать и говорить на темы науки о данных, машинного обучения и языка Python в общем, и он стремится помочь людям разрабатывать решения, управляемые данными, без обязательного знания подоплеки машинного обучения.
Недавно его работа и вклад были отмечены званием выдающегося аспиранта 2016-2017, а также наградой ACM Computing Reviews' Best of 2016.
В свободное время Себастьян любит участвовать в проектах с открытым кодом, а методы, которые он реализовал, теперь успешно используются в состязаниях по машинному обучению, таких как Kaggle.
Вахид Мирджалили получил звание PhD в машиностроении, работая над новаторскими методами для крупномасштабных вычислительных эмуляций молекулярных структур. В настоящее время он сосредоточил свою научно-исследовательскую работу на приложениях машинного обучения в разнообразных проектах компьютерного зрения в отделении компьютерных наук и инженерии Университета штата Мичиган.
Вахид избрал Python в качестве главного языка программирования, и на протяжении своей научно-исследовательской карьеры накопил громадный опыт в написании кода Python. Он преподавал программирование на Python инженерной группе в Университете штата Мичиган, что дало ему возможность помочь студентам понять разные структуры данных и разрабатывать эффективный код на Python.
Наряду с тем, что обширные исследовательские интересы Вахида сконцентрированы на приложениях глубокого обучения и компьютерного зрения, он особенно интересуется использованием приемов глубокого обучения для усиления приватности в биометрических данных, таких как изображения лиц, чтобы не раскрывалась информация сверх той, что пользователи намеревались показывать. Кроме того, он также сотрудничает с командой инженеров, работающих над беспилотными автомобилями, где проектирует модели на основе нейронных сетей для слияния многоспектральных изображений с целью обнаружения пешеходов.
2-е издание

Python Machine Learning, Third Edition is a comprehensive guide to machine learning and deep learning with Python. It acts as both a step-by-step tutorial, and a reference you'll keep coming back to as you build your machine learning systems.

Packed with clear explanations, visualizations, and working examples, the book covers all the essential machine learning techniques in depth. While some books teach you only to follow instructions, with this machine learning book, Raschka and Mirjalili teach the principles behind machine learning, allowing you to build models and applications for yourself.

Updated for TensorFlow 2.0, this new third edition introduces readers to its new Keras API features, as well as the latest additions to scikit-learn. It's also expanded to cover cutting-edge reinforcement learning techniques based on deep learning, as well as an introduction to GANs. Finally, this book also explores a subfield of natural language processing (NLP) called sentiment analysis, helping you learn how to use machine learning algorithms to classify documents.

This book is your companion to machine learning with Python, whether you're a Python developer new to machine learning or want to deepen your knowledge of the latest developments.

Крайне необходимое издание по новейшей предсказательной аналитике для более глубокого понимания методологии машинного обучения
Использование разных машинно-обучаемых моделей для формулирования различных вопросов в отношении данных
Конструирование нейронных сетей при помощи библиотек.
Написание красивого и лаконичного кода с оптимальным использованием созданных вами алгоритмов
Встраивание машинно-обучаемой модели в веб-приложение для повышения ее общедоступности
Обнаружение скрытых повторяющихся образов и структур в данных посредством кластерного анализа
Организация данных с помощью эффективных методов предобработки и использование передовых практических подходов к оценке машинно-обучаемых моделей
Анализ мнений для подробной интерпретации текстовых данных и информации из социальных сетей

Книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из лидирующих языков науки о данных. Охватывая широкий круг мощных библиотек Python, в том числе scikit-learn, Theano и Keras, предлагая руководство и советы по всем вопросам, начиная с анализа мнений и заканчивая нейронными сетями, книга ответит на большинство…

Machine learning and predictive analytics are transforming the way businesses and other organizations operate. Being able to understand trends and patterns in complex data is critical to success, becoming one of the key strategies for unlocking growth in a challenging contemporary marketplace. Python can help you deliver key insights into your data – its unique capabilities as a language let you build sophisticated algorithms and statistical models that can reveal new perspectives and answer key questions that are vital for success.

Python Machine Learning gives you access to the world of predictive analytics and demonstrates why Python is one of the world's leading data science languages. If you want to ask better questions of data, or need to improve and extend the capabilities of your machine learning systems, this practical data science book is invaluable. Covering a wide range of powerful Python libraries, including scikit-learn, Theano, and Keras, and featuring guidance and tips on everything from sentiment analysis to neural networks, you'll soon be able to answer some of the most important questions facing you and your organization.
Style and approach

Python Machine Learning connects the fundamental theoretical principles behind machine learning to their practical application in a way that focuses you on asking and answering the right questions. It walks you through the key elements of Python and its powerful machine learning libraries, while demonstrating how to get to grips with a range of statistical models.