Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn
Allemand, Broché, Sébastien RaschkaEn détail
Analyse de données avec des modèles statistiques avancés du Machine Learning. Application des principaux algorithmes et bibliothèques Python comme NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas et Matplotlib. Bonnes pratiques pour optimiser vos algorithmes de Machine Learning.
Avec ce livre, vous obtiendrez une introduction complète aux bases et à l'utilisation efficace des algorithmes de Machine Learning et de Deep Learning, que vous appliquerez de manière pratique à travers de nombreux exemples. Pour cela, vous utiliserez un large éventail de bibliothèques Python performantes, en particulier Keras, TensorFlow 2 et Scikit-learn. Les concepts mathématiques indispensables à l'application pratique seront également expliqués de manière claire et illustrés par de nombreux diagrammes. La troisième édition de ce livre a été entièrement mise à jour pour TensorFlow 2 et prend en compte les développements et technologies récents importants pour le Machine Learning, les réseaux neuronaux et le Deep Learning. Cela inclut notamment les nouvelles fonctionnalités de l'API Keras, la synthèse de nouvelles données avec des réseaux antagonistes génératifs (GANs) ainsi que la prise de décision par apprentissage par renforcement. Une maîtrise de Python est requise.
Au sommaire :
- Entraînement des algorithmes d'apprentissage et mise en œuvre en Python
- Algorithmes de classification courants tels que les machines à vecteurs de support (SVM), les arbres de décision et les forêts aléatoires
- Traitement du langage naturel pour la classification des critiques de films
- Analyse de clusters pour découvrir des motifs et structures cachés dans vos données
- Méthodes de Deep Learning pour la reconnaissance d'images
- Compression de données par réduction de dimensionnalité
- Entraînement de réseaux neuronaux et de GANs avec TensorFlow 2
- Combinaison de différents modèles pour l'apprentissage par ensemble
- Intégration de modèles de Machine Learning dans des applications web
- Analyse des sentiments dans les réseaux sociaux
- Modélisation de données séquentielles par réseaux neuronaux récurrents
- Apprentissage par renforcement et mise en œuvre.