Uczenie maszynowe (ang. machine learning) zajmuje się teorią i praktycznym zastosowaniem algorytmów analizujących dane i stanowi najciekawszą dziedzinę informatyki. Żyjemy w czasach przetwarzania olbrzymiej ilości informacji; za pomocą samouczących się algorytmów będących częścią uczenia maszynowego informacje te są przekształcane w rzeczywistą wiedzę. Dzięki licznym i potężnym bibliotekom o jawnym kodzie źródłowym, które powstały w ostatnich latach, prawdopodobnie teraz jest najlepszy czas, aby zainteresować się uczeniem maszynowym i nauczyć się wykorzystywać potężne algorytmy do wykrywania wzorców w przetwarzanych danych oraz prognozować przyszłe zdarzenia. Przykładami zastosowania Machine Learning są np. mechanizmy wyszukiwarek internetowych, GPS, autokorekta w edytorze tekstu czy boty w komunikatorach. Jedną z dziedzin uczenia maszynowego jest deep learning, podczas którego komputer uczy się procesów naturalnych dla ludzkiego mózgu (tworzy sieci neuronowe). Technologia ta jest wykorzystywana np. przy identyfikacji głosu i obrazów.
Uczenie maszynowe
-
Deep Learning. Praca z językiem Python i biblioteką Keras
-
Uczenie maszynowe z językiem JavaScript. Rozwiązywanie złożonych problemów
-
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow
-
Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
-
Uczenie maszynowe w C#. Szybkie, sprytne i solidne aplikacje
-
Algorytmy uczenia maszynowego. Zaawansowane techniki implementacji
-
Python. Uczenie maszynowe. Wydanie II
-
Deep Learning. Receptury
-
Zwinna analiza danych. Apache Hadoop dla każdego
-
Uczenie maszynowe dla programistów
-
Big data, nauka o danych i AI bez tajemnic. Podejmuj lepsze decyzje i rozwijaj swój biznes!
-
Uczenie maszynowe w Pythonie. Receptury
-
Deep Learning. Praca z językiem R i biblioteką Keras
-
Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe
-
Naczelny Algorytm. Jak jego odkrycie zmieni nasz świat
Czasowo niedostępna
-
Python. Uczenie maszynowe
Czasowo niedostępna
-
Inteligentna sieć. Algorytmy przyszłości. Wydanie II
-
Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie
-
Deep Learning. Praktyczne wprowadzenie
-
Zaawansowane uczenie maszynowe z językiem Python
-
TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe
-
Data Science i uczenie maszynowe
72.05 zł
89.00 zł -
Machine Learning and Security. Protecting Systems with Data and Algorithms
169.15 zł
199.00 zł -
Learning TensorFlow. A Guide to Building Deep Learning Systems
143.65 zł
169.00 zł -
Deep Learning. A Practitioner's Approach
169.15 zł
199.00 zł -
Practical Machine Learning: Innovations in Recommendation
63.74 zł
74.99 zł -
Practical Machine Learning: A New Look at Anomaly Detection
63.74 zł
74.99 zł -
Sztuczna inteligencja. Co każdy powinien wiedzieć
-
TensorFlow for Deep Learning. From Linear Regression to Reinforcement Learning
203.15 zł
239.00 zł -
Deep Learning. Współczesne systemy uczące się
-
To żyje! Sztuczna inteligencja. Od logicznego fortepianu po zabójcze roboty
47.76 zł
59.00 zł -
Wstęp do sztucznej inteligencji
-
AI - podejście pragmatyczne. Wprowadzenie do uczenia maszynowego opartego na chmurze
-
Data Science on the Google Cloud Platform. Implementing End-to-End Real-Time Data Pipelines: From Ingest to Machine Learning
169.15 zł
199.00 zł -
Fundamentals of Deep Learning. Designing Next-Generation Machine Intelligence Algorithms
126.65 zł
149.00 zł -
Thoughtful Machine Learning with Python. A Test-Driven Approach
126.65 zł
149.00 zł -
Practical Machine Learning with H2O. Powerful, Scalable Techniques for Deep Learning and AI
118.15 zł
139.00 zł -
Introduction to Machine Learning with Python. A Guide for Data Scientists
143.65 zł
169.00 zł -
Thoughtful Machine Learning. A Test-Driven Approach
92.65 zł
109.00 zł -
Natural Language Annotation for Machine Learning
109.65 zł
129.00 zł -
Machine Learning for Hackers. Case Studies and Algorithms to Get You Started
143.65 zł
169.00 zł -
Machine Learning for Email. Spam Filtering and Priority Inbox
50.92 zł
59.90 zł -
Systemy uczące się. Rozpoznawanie wzorców analiza skupień i redukcja wymiarowości
