Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python

(ebook) (audiobook) (audiobook)

Autorzy:: Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov

Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov - okladka książki

Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov - audiobook MP3

Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov - audiobook CD

Wydawnictwo:: Packt Publishing (Z chęcią przeczytam książkę w języku polskim)
Ocena:: 6.0/6 Opinie: 1
Stron:: 774
Dostępne formaty:: PDF

ePub

Ebook

149,00 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Machine Learning with PyTorch and Scikit-Learn is a comprehensive guide to machine learning and deep learning with PyTorch. It acts as both a step-by-step tutorial and a reference you'll keep coming back to as you build your machine learning systems.

Packed with clear explanations, visualizations, and examples, the book covers all the essential machine learning techniques in depth. While some books teach you only to follow instructions, with this machine learning book, we teach the principles allowing you to build models and applications for yourself.

Why PyTorch?

PyTorch is the Pythonic way to learn machine learning, making it easier to learn and simpler to code with. This book explains the essential parts of PyTorch and how to create models using popular libraries, such as PyTorch Lightning and PyTorch Geometric.

You will also learn about generative adversarial networks (GANs) for generating new data and training intelligent agents with reinforcement learning. Finally, this new edition is expanded to cover the latest trends in deep learning, including graph neural networks and large-scale transformers used for natural language processing (NLP).

This PyTorch book is your companion to machine learning with Python, whether you're a Python developer new to machine learning or want to deepen your knowledge of the latest developments.

Wybrane bestsellery

O autorach książki

Sebastian Raschka jest ekspertem w dziedzinie analizy danych i uczenia maszynowego. Obecnie przygotowuje doktorat na Michigan State University z metod obliczeniowych w biologii statystycznej. Biegle posługuje się Pythonem. Raschka bierze również udział w różnych projektach open source i wdraża nowe metody uczenia maszynowego. W wolnym czasie pracuje nad modelami predykcyjnymi dyscyplin sportowych. Jeżeli nie siedzi przed monitorem, chętnie uprawia sport.

Yuxi (Hayden) Liu rozwija modele uczenia maszynowego w Google. Wcześniej pracował naukowo nad zastosowaniami uczenia maszynowego w takich dziedzinach jak reklama internetowa i cyberbezpieczeństwo. Jest entuzjastą edukacji i autorem wielu książek o uczeniu maszynowym. Pierwsze wydanie tego podręcznika zajmowało wiodącą pozycję w rankingu Amazona w latach 2017 i 2018.

Dr Vahid Mirjalili zajmuje się stosowaniem uczenia maszynowego w rozpoznawaniu obrazów i zwiększaniu prywatności przy użyciu danych biometrycznych. Projektuje też modele sieci neuronowych, które mają ułatwiać wykrywanie pieszych przez pojazdy autonomiczne.

Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov - pozostałe książki

Ebooka "Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Booxs i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Audiobooka "Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python" posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolonych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video "Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python" zobaczysz:

Oceny i opinie klientów: Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python Sebastian Raschka, Yuxi (Hayden) Liu, Vahid Mirjalili, Dmytro Dzhulgakov (1) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.

6
(1)
5
(0)
4
(0)
3
(0)
2
(0)
1
(0)

6.0

Opinia: Wojciech Opinia dodana: 2022-11-13 Ocena: 6

Opinia potwierdzona zakupem

Opinia dotyczy produktu: ebook

Czy opinia była pomocna:

TAK (0) NIE (0)

Dopiero zacząłe czytać a juz wiać, że rewelacja: dzięki zadaniom implementacyjnym bez pytorcha i sklearna można nauczyć się dobrze podstaw MLa, kluczowa sprawa dla mnie.

Szczegóły książki

Tytuł oryginału:: Machine Learning with PyTorch and Scikit-Learn. Develop machine learning and deep learning models with Python
ISBN Ebooka:: 978-18-018-1638-0, 9781801816380
Data wydania ebooka :: 2022-02-25 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
Język publikacji:: 1
Rozmiar pliku Pdf:: 29.3MB
Rozmiar pliku ePub:: 60.6MB

Zgłoś erratę
Kategorie:
Uczenie maszynowe

Spis treści książki

1. Giving Computers the Ability to Learn from Data
2. Training Simple Machine Learning Algorithms for Classification
3. A Tour of Machine Learning Classifiers Using Scikit-Learn
4. Building Good Training Datasets – Data Preprocessing
5. Compressing Data via Dimensionality Reduction
6. Learning Best Practices for Model Evaluation and Hyperparameter Tuning
7. Combining Different Models for Ensemble Learning
8. Applying Machine Learning to Sentiment Analysis
9. Predicting Continuous Target Variables with Regression Analysis
10. Working with Unlabeled Data – Clustering Analysis
11. Implementing a Multilayer Artificial Neural Network from Scratch
12. Parallelizing Neural Network Training with PyTorch
13. Going Deeper – The Mechanics of PyTorch
14. Classifying Images with Deep Convolutional Neural Networks
15. Modeling Sequential Data Using Recurrent Neural Networks
16. Transformers – Improving Natural Language Processing with Attention Mechanisms
17. Generative Adversarial Networks for Synthesizing New Data
18. Graph Neural Networks for Capturing Dependencies in Graph Structured Data
19. Reinforcement Learning for Decision Making in Complex Environments