Uczenie maszynowe - ebooki
Ebooki z kategorii: Uczenie maszynowe dostępne w księgarni Helion
-
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
-
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
-
Sztuczna inteligencja od podstaw
-
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
-
Matematyka w uczeniu maszynowym
-
Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji
-
Człowiek na rozdrożu. Sztuczna inteligencja 25 punktów widzenia
-
Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP
-
Potoki danych. Leksykon kieszonkowy. Przenoszenie i przetwarzanie danych na potrzeby ich analizy
-
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1
-
Podręcznik architekta rozwiązań. Poznaj reguły oraz strategie projektu architektury i rozpocznij niezwykłą karierę. Wydanie II
-
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 2
-
Jak projektować systemy uczenia maszynowego. Iteracyjne tworzenie aplikacji gotowych do pracy
-
Algorytmy sztucznej inteligencji. Ilustrowany przewodnik
-
Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona
-
Sztuczna inteligencja w finansach. Używaj języka Python do projektowania i wdrażania algorytmów AI
-
Python. Machine learning i deep learning. Biblioteki scikit-learn i TensorFlow 2. Wydanie III
-
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch
-
Sztuczna inteligencja. Błyskawiczne wprowadzenie do uczenia maszynowego, uczenia ze wzmocnieniem i uczenia głębokiego
-
Głębokie uczenie. Wprowadzenie
-
Deep learning i modelowanie generatywne. Jak nauczyć komputer malowania, pisania, komponowania i grania
-
Uczenie maszynowe. Elementy matematyki w analizie danych
-
TinyML. Wykorzystanie TensorFlow Lite do uczenia maszynowego na Arduino i innych mikrokontrolerach
-
Matematyka dyskretna dla praktyków. Algorytmy i uczenie maszynowe w Pythonie
-
Uczenie maszynowe w Pythonie dla każdego
-
Machine learning, Python i data science. Wprowadzenie
-
Głębokie uczenie przez wzmacnianie. Praca z chatbotami oraz robotyka, optymalizacja dyskretna i automatyzacja sieciowa w praktyce. Wydanie II
-
Python dla DevOps. Naucz się bezlitośnie skutecznej automatyzacji
-
Uczenie głębokie od zera. Podstawy implementacji w Pythonie
-
Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes!
-
Deep learning z TensorFlow 2 i Keras dla zaawansowanych. Sieci GAN i VAE, deep RL, uczenie nienadzorowane, wykrywanie i segmentacja obiektów i nie tylko. Wydanie II
-
Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego
-
Inżynieria danych na platformie AWS. Jak tworzyć kompletne potoki uczenia maszynowego
-
Deep Learning. Praca z językiem Python i biblioteką Keras
Czasowo niedostępna
-
AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki
-
Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe
-
Uczenie maszynowe w Pythonie. Leksykon kieszonkowy
-
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II
Niedostępna
-
Umiejętności analityczne w pracy z danymi i sztuczną inteligencją. Wykorzystywanie najnowszych technologii w rozwijaniu przedsiębiorstwa
-
Python. Uczenie maszynowe. Wydanie II
Czasowo niedostępna
-
TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe
Niedostępna
-
Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat
Niedostępna
-
Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
-
Uczenie maszynowe w Pythonie. Receptury
-
Uczenie maszynowe: Scikit-Learn, Keras i TensorFlow. Szczegółowy poradnik
-
Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie
Niedostępna
-
Python. Uczenie maszynowe
Czasowo niedostępna
-
Uczenie maszynowe w C#. Szybkie, sprytne i solidne aplikacje
Niedostępna
-
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow
Niedostępna
-
Deep Learning. Praktyczne wprowadzenie
Czasowo niedostępna
-
Zaawansowane uczenie maszynowe z językiem Python
-
Inteligentna sieć. Algorytmy przyszłości. Wydanie II
Czasowo niedostępna
-
Uczenie maszynowe dla programistów
-
Bayesian Analysis with Python. A practical guide to probabilistic modeling - Third Edition
-
Zostań Milionerem z ChatGPT. Prosty przewodnik jak osiągnąć sukces w każdej branży za pomocą sztucznej inteligencji
-
AWS Certified Machine Learning - Specialty (MLS-C01) Certification Guide. The ultimate guide to passing the MLS-C01 exam on your first attempt - Second Edition
-
Machine Learning: Make Your Own Recommender System. Build Your Recommender System with Machine Learning Insights
-
Machine Learning with Python. Unlocking AI Potential with Python and Machine Learning
-
Effective Machine Learning Teams
-
Hands-On Entity Resolution
-
Data Labeling in Machine Learning with Python. Explore modern ways to prepare labeled data for training and fine-tuning ML and generative AI models
-
Machine Learning Infrastructure and Best Practices for Software Engineers. Take your machine learning software from a prototype to a fully fledged software system
-
MLOps with Red Hat OpenShift. A cloud-native approach to machine learning operations
-
MATLAB for Machine Learning. Unlock the power of deep learning for swift and enhanced results - Second Edition
-
Deep Learning for Finance
-
Deep Learning with MXNet Cookbook. Discover an extensive collection of recipes for creating and implementing AI models on MXNet
-
Machine Learning Security with Azure. Best practices for assessing, securing, and monitoring Azure Machine Learning workloads
-
Practical Guide to Applied Conformal Prediction in Python. Learn and apply the best uncertainty frameworks to your industry applications
-
Implementing MLOps in the Enterprise
-
Machine Learning Interviews
-
TinyML Cookbook. Combine machine learning with microcontrollers to solve real-world problems - Second Edition
-
TensorFlow Developer Certificate Guide. Efficiently tackle deep learning and ML problems to ace the Developer Certificate exam
-
Training Data for Machine Learning
-
Interpretable Machine Learning with Python. Build explainable, fair, and robust high-performance models with hands-on, real-world examples - Second Edition
-
Machine Learning with Qlik Sense. Utilize different machine learning models in practical use cases by leveraging Qlik Sense
-
The Statistics and Machine Learning with R Workshop. Unlock the power of efficient data science modeling with this hands-on guide
-
Delta Lake: Up and Running
-
Architecting Data and Machine Learning Platforms
-
Machine Learning with LightGBM and Python. A practitioner's guide to developing production-ready machine learning systems
-
Machine Learning for Emotion Analysis in Python. Build AI-powered tools for analyzing emotion using natural language processing and machine learning
-
Debugging Machine Learning Models with Python. Develop high-performance, low-bias, and explainable machine learning and deep learning models
-
Machine Learning Engineering with Python. Manage the lifecycle of machine learning models using MLOps with practical examples - Second Edition
-
Probabilistic Machine Learning for Finance and Investing
-
Graph-Powered Analytics and Machine Learning with TigerGraph
-
Praktyczne uczenie maszynowe w języku R
-
Zaufanie do systemów sztucznej inteligencji
-
Data Augmentation with Python. Enhance deep learning accuracy with data augmentation methods for image, text, audio, and tabular data
-
Machine Learning for High-Risk Applications
-
Computer Vision on AWS. Build and deploy real-world CV solutions with Amazon Rekognition, Lookout for Vision, and SageMaker
-
Scaling Machine Learning with Spark
-
Applied Geospatial Data Science with Python. Leverage geospatial data analysis and modeling to find unique solutions to environmental problems
-
The Kaggle Workbook. Self-learning exercises and valuable insights for Kaggle data science competitions
-
Democratizing Application Development with Betty Blocks. Build powerful applications that impact business immediately with no-code app development
-
Practicing Trustworthy Machine Learning
-
Transforming Healthcare with DevOps. A practical DevOps4Care guide to embracing the complexity of digital transformation
-
Generative Deep Learning. 2nd Edition
-
Applied Machine Learning and AI for Engineers
-
Quantum Machine Learning and Optimisation in Finance. On the Road to Quantum Advantage
-
Natural Language Processing with Transformers, Revised Edition
-
Deep Learning with TensorFlow and Keras. Build and deploy supervised, unsupervised, deep, and reinforcement learning models - Third Edition
-
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. 3rd Edition
-
Hands-On Healthcare Data
-
Machine Learning at Scale with H2O. A practical guide to building and deploying machine learning models on enterprise systems
-
Natural Language Processing with TensorFlow. The definitive NLP book to implement the most sought-after machine learning models and tasks - Second Edition
-
Simplifying Android Development with Coroutines and Flows. Learn how to use Kotlin coroutines and the flow API to handle data streams asynchronously in your Android app
-
Wzorce projektowe uczenia maszynowego. Rozwiązania typowych problemów dotyczących przygotowania danych, konstruowania modeli i MLOps
-
Tidy Modeling with R
-
Machine Learning on Kubernetes. A practical handbook for building and using a complete open source machine learning platform on Kubernetes
-
Designing Autonomous AI
-
Practical Simulations for Machine Learning
-
Building Data Science Solutions with Anaconda. A comprehensive starter guide to building robust and complete models
-
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
-
Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany
-
Projektowanie głosowych interfejsów użytkownika. Zasady doświadczeń konwersacyjnych
Niedostępna
-
Uczenie maszynowe z językiem JavaScript. Rozwiązywanie złożonych problemów
Niedostępna
-
Uczenie maszynowe w aplikacjach. Projektowanie, budowa i wdrażanie
Niedostępna
-
Deep Learning. Praca z językiem R i biblioteką Keras
Niedostępna
-
Zwinna analiza danych. Apache Hadoop dla każdego
Niedostępna
-
Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
Niedostępna
-
Deep Learning. Receptury
Czasowo niedostępna