Praktyczne uczenie nienadzorowane przy użyciu języka Python

Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych. Wielu ekspertów branżowych uważa uczenie nienadzorowane za kolejną granicę w dziedzinie sztucznej inteligencji, która może stanowić klucz do pełnej sztucznej inteligencji. Ponieważ większość dany...

Descripción completa

Detalles Bibliográficos
Autor principal: Patel, Ankur A.
Formato: Electrónico eBook
Idioma:Indeterminado
Publicado: [S.l.] : APN Promise, 2020.
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)

MARC

LEADER 00000cam a2200000Mu 4500
001 OR_on1202540816
003 OCoLC
005 20231017213018.0
006 m d
007 cr n |||
008 201011s2020 xx o ||| 0 und d
040 |a VT2  |b eng  |c VT2  |d ERF  |d OCLCQ 
020 |a 9788375414264 
020 |a 8375414263 
029 1 |a AU@  |b 000071521355 
035 |a (OCoLC)1202540816 
049 |a UAMI 
100 1 |a Patel, Ankur A. 
245 1 0 |a Praktyczne uczenie nienadzorowane przy użyciu języka Python  |h [electronic resource] /  |c Ankur A. Patel. 
260 |a [S.l.] :  |b APN Promise,  |c 2020. 
300 |a 1 online resource 
500 |a Title from content provider. 
520 |a Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych. Wielu ekspertów branżowych uważa uczenie nienadzorowane za kolejną granicę w dziedzinie sztucznej inteligencji, która może stanowić klucz do pełnej sztucznej inteligencji. Ponieważ większość danych na świecie jest nieoznakowana, nie można do nich zastosować konwencjonalnego uczenia nadzorowanego. Z kolei uczenie nienadzorowane może być stosowane wobec nieoznakowanych zbiorów danych w celu odkrycia istotnych wzorców ukrytych głęboko w tych danych, które dla człowieka mogą być niemal niemożliwe do odkrycia. Autor Ankur Patel pokazuje, jak stosować uczenie nienadzorowane przy wykorzystaniu dwóch prostych platform dla języka Python: Scikit-learn oraz TensorFlow (wraz z Keras). Dzięki dołączonemu kodowi i praktycznym przykładom analitycy danych będą mogli identyfikować trudne do znalezienia wzorce w danych i odkrywać dogłębne zależności biznesowe, wykrywać anomalie, przeprowadzać automatyczną selekcję zmiennych i generować syntetyczne zbiory danych. Wystarczy znajomość programowania i nieco doświadczenia w uczeniu maszynowym, aby zająć się: • Porównywaniem mocnych i słabych stron różnych podejść do uczenia maszynowego: uczenia nadzorowanego, nienadzorowanego i wzmacnianego. • Przygotowywaniem i zarządzaniem projektami uczenia maszynowego. • Budowaniem systemu wykrywania anomalii w celu wychwycenia oszustwa dotyczącego kard kredytowych. • Rozdzielaniem użytkowników na wydzielone i jednorodne grupy. • Przeprowadzaniem uczenia pół-nadzorowanego. • Opracowywaniem systemów polecania filmów z użyciem ograniczonych automatów Boltzmanna. • Generowaniem syntetycznych obrazów przy użyciu generujących sieci antagonistycznych. "Badacze, inżynierowie i studenci docenią tę książkę pełną praktycznych technik uczenia nienadzorowanego, napisaną prostym językiem z nieskomplikowanymi przykładami w języku Python, które można szybko i skutecznie implementować." -Sarah Nagy Główny analityk danych w firmie Edison Ankur A. Patel jest wiceprezesem ds. informatyki analitycznej w firmie 7Park Data, wspieranej przez firmę inwestycyjną Vista Equity Partners. W firmie 7Park Data, Ankur i jego zespół analizy danych wykorzystują dane alternatywne do opracowywania produktów związanych z danymi dla funduszy hedgingowych i korporacji oraz rozwijają usługi uczenia maszynowego dla klientów firmowych. 
590 |a O'Reilly  |b O'Reilly Online Learning: Academic/Public Library Edition 
856 4 0 |u https://learning.oreilly.com/library/view/~/9788375414264/?ar  |z Texto completo (Requiere registro previo con correo institucional) 
994 |a 92  |b IZTAP 

Ejemplares similares