Strojové učení s nástrojem Tensorflow

Recenze čtenářů

Kniha je ceněna pro svůj praktický přístup ke strojovému učení a TensorFlow s jasnými vysvětleními a dobře komentovaným kódem. Mnozí recenzenti ji doporučují jako užitečný startovací zdroj pro nováčky v oboru. Byla však kritizována za to, že je příliš zjednodušená, chybí jí matematické základy a obsahuje zastaralé příklady, které nefungují s nejnovějšími verzemi TensorFlow. Někteří uživatelé považovali psaný text za nesouvislý a měli pocit, že na internetu lze najít lepší informace.

⬤ Praktický úvod
⬤ dobře organizovaný
⬤ srozumitelná vysvětlení
⬤ skvělé příklady s komentovaným kódem
⬤ vhodné pro začátečníky
⬤ přízemní styl výuky
⬤ dobré pro skloubení dosavadních znalostí.

⬤ Příliš základní pro zkušené uživatele
⬤ postrádá matematickou přesnost
⬤ zastaralé a nefunkční příklady
⬤ někteří považují psaní za špatné a okaté
⬤ druhá polovina se příliš zaměřuje na jednodušší témata místo na specifika TensorFlow.

(na základě 22 hodnocení čtenářů)

Původní název:

Machine Learning with Tensorflow

Obsah knihy:

Shrnutí

Kniha Strojové učení s TensorFlow poskytuje čtenářům solidní základy konceptů strojového učení a praktické zkušenosti s kódováním TensorFlow v jazyce Python.

Zakoupení tištěné knihy zahrnuje bezplatnou elektronickou knihu ve formátech PDF, Kindle a ePub od Manning Publications.

O technologii

TensorFlow, knihovna společnosti Google pro rozsáhlé strojové učení, zjednodušuje často složité výpočty tím, že je reprezentuje jako grafy a efektivně mapuje části grafů na stroje v clusteru nebo na procesory jednoho stroje.

O knize

Kniha Strojové učení s TensorFlow poskytuje čtenářům solidní základy konceptů strojového učení a praktické zkušenosti s kódováním TensorFlow v jazyce Python. Základy si osvojíte při práci s klasickými algoritmy predikce, klasifikace a shlukování. Poté přejdete ke kapitolám o penězích: prozkoumání konceptů hlubokého učení, jako jsou autoenkodéry, rekurentní neuronové sítě a posilovací učení. Prokousejte se touto knihou a budete připraveni používat TensorFlow pro vlastní aplikace strojového učení a hlubokého učení.

Co je uvnitř

⬤ Přizpůsobení úloh správným přístupům strojového učení a hlubokého učení.

⬤ Vizualizace algoritmů pomocí TensorBoard.

⬤ Pochopení a používání neuronových sítí.

O čtenáři

Napsáno pro vývojáře se zkušenostmi s jazykem Python a algebraickými koncepty, jako jsou vektory a matice.

O autorovi

Autor Nishant Shukla je výzkumník v oblasti počítačového vidění zaměřený na aplikaci technik strojového učení v robotice.

Starší technický redaktor Kenneth Fricklas je zkušený vývojář, autor a praktik v oblasti strojového učení.

Obsah

ČÁST 1 - VAŠE ZAŘÍZENÍ PRO STROJOVÉ UČENÍ.

⬤ Odyssea strojového učení.

⬤ Základy technologie TensorFlow.

ČÁST 2 - ZÁKLADNÍ ALGORITMY UČENÍ.

⬤ Lineární regrese a další.

⬤ Šetrný úvod do klasifikace.

⬤ Automatické shlukování dat.

⬤ Skryté Markovovy modely.

ČÁST 3 - PARADIGMA NEURONOVÝCH SÍTÍ.

⬤ Náhled do autoenkodérů.

⬤ Učení s posilováním.

⬤ Konvoluční neuronové sítě.

⬤ Rekurentní neuronové sítě.

⬤ Sekvenčně-sekvenční modely pro chatboty.

⬤ Prostředí utilit.