Machine Learning mit Python und Keras, TensorFlow 2 und Scikit-learn
Tedesco, Copertina flessibile, Sebastian RaschkaIn dettaglio
Analisi dei dati con modelli statistici avanzati di Machine Learning. Applicazione dei principali algoritmi e librerie Python come NumPy, SciPy, Scikit-learn, Keras, TensorFlow 2, Pandas e Matplotlib. Best practices per ottimizzare i vostri algoritmi di Machine Learning.
Con questo libro otterrete un'introduzione completa ai fondamenti e all'uso efficace degli algoritmi di Machine Learning e Deep Learning, applicandoli praticamente attraverso numerosi esempi. Utilizzerete un ampio spettro di potenti librerie Python, in particolare Keras, TensorFlow 2 e Scikit-learn. Anche i concetti matematici indispensabili per l'applicazione pratica vengono spiegati in modo chiaro e illustrati con numerosi diagrammi. La terza edizione di questo libro è stata completamente aggiornata per TensorFlow 2 e tiene conto degli sviluppi e delle tecnologie più recenti importanti per il Machine Learning, le reti neurali e il Deep Learning. Questi includono in particolare le nuove funzionalità dell'API Keras, la sintesi di nuovi dati con le Reti Generative Avversarie (GAN) e la presa di decisioni tramite Reinforcement Learning. È richiesta una buona conoscenza di Python.
Contenuti:
- Addestramento di algoritmi di apprendimento e implementazione in Python
- Algoritmi di classificazione comuni come Support Vector Machines (SVM), alberi decisionali e Random Forest
- Elaborazione del linguaggio naturale per la classificazione delle recensioni di film
- Analisi dei cluster per scoprire schemi e strutture nascoste nei vostri dati
- Tecniche di Deep Learning per il riconoscimento delle immagini
- Compressione dei dati tramite riduzione dimensionale
- Addestramento di reti neurali e GAN con TensorFlow 2
- Combinazione di diversi modelli per l'Ensemble Learning
- Integrazione di modelli di Machine Learning in applicazioni web
- Analisi del sentiment nei social network
- Modellazione di dati sequenziali tramite reti neurali ricorrenti
- Reinforcement Learning e implementazione.