Pomoc Live Chat OD O,OOZŁ
ODBIERZ TWÓJ BONUS :: »
Książki Ebooki Kursy video Audiobooki Promocje Nowości Bestsellery Darmowe ebooki
Pobierz aplikację Bony Podaruj prezent

TOP tytuł w super cenie » 50% taniej

Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów Aurélien Géron

(ebook) (audiobook) (audiobook)
Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów Aurélien Géron - okladka książki

Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów Aurélien Géron - okladka książki

Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów Aurélien Géron - audiobook MP3

Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów Aurélien Géron - audiobook CD

Zajrzyj do książki

Autor:
Aurélien Géron
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
Bądź pierwszym, który oceni tę książkę
Stron:
816
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
119,40 zł 199,00 zł (-40%)
119,40 zł najniższa cena z 30 dni

Dodaj do koszyka Darmowa dostawa od 60,00 zł Do darmowej dostawy brakuje Ci 0,00 zł Najtańsza dostawa od 9,90 zł Gratulujemy! Twoje zamówienie kwalifikuje się do darmowej wysyłki Wysyłamy w 24h

Ebook
99,50 zł 199,00 zł (-50%)
99,50 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Rozpoznawania typów problemów i podejść w uczeniu maszynowym (nadzorowane, nienadzorowane, wsadowe, przyrostowe)
  • Planowania kompletnego projektu ML: od definicji celu i metryk po wdrożenie, monitoring i utrzymanie
  • Przygotowywania danych do modeli w Scikit-Learn: czyszczenia, kodowania kategorii, skalowania i budowy potoków (pipelines)
  • Dobierania modeli oraz strojenia hiperparametrów z użyciem walidacji krzyżowej, Grid Search i Random Search
  • Oceniania klasyfikatorów za pomocą macierzy pomyłek, precyzji, pełności oraz krzywych ROC
  • Trenowania modeli regresyjnych i klasyfikacyjnych: regresji liniowej, logistycznej oraz metod regularyzacji (Ridge, LASSO, Elastic Net, early stopping)
  • Budowania i interpretowania drzew decyzyjnych oraz kontrolowania ich złożoności i wariancji
  • Stosowania metod zespołowych: baggingu, lasów losowych, Extra-Trees oraz boostingów (AdaBoost, Gradient Boosting)
  • Redukowania wymiarowości i wizualizacji danych przy użyciu PCA, rzutowań losowych i metod rozmaitościowych (LLE)
  • Wykorzystywania uczenia nienadzorowanego: klasteryzacji (k-średnich, DBSCAN) oraz mieszanin gaussowskich do detekcji anomalii
  • Implementowania i trenowania sieci neuronowych w PyTorch z użyciem tensorów, autograd i DataLoader
  • Projektowania stabilnego treningu głębokich sieci: inicjalizacji wag, normalizacji, obcinania gradientu, regularyzacji i harmonogramów learning rate
  • Budowania modeli widzenia komputerowego z CNN: klasyfikacji, lokalizacji, detekcji obiektów (YOLO) i segmentacji semantycznej
  • Modelowania sekwencji i szeregów czasowych z użyciem sieci RNN oraz technik obsługi długich zależności
  • Tworzenia rozwiązań NLP z mechanizmami uwagi i bibliotekami Hugging Face: tokenizacji, fine-tuningu i inferencji
  • Konstruowania i dostrajania transformerów oraz przyspieszania ich działania: od BERT/GPT i czatbotów (SFT, RLHF, DPO) po PEFT, mieszaną precyzję i kwantyzację

Uczenie maszynowe i sztuczna inteligencja to dziś najgorętsze tematy w branży IT. Od ChatGPT po autonomiczne pojazdy technologie AI przekształcają każdą dziedzinę przemysłu. Popyt na specjalistów ML rośnie wykładniczo, a umiejętność budowania i wdrażania modeli uczenia maszynowego stała się poszukiwaną na rynku kompetencją potencjalnych pracowników. Ta książka to kompleksowy przewodnik po świecie uczenia maszynowego z wykorzystaniem najpopularniejszych narzędzi: Scikit-Learn do klasycznych algorytmów ML i PyTorch wiodącej biblioteki do uczenia głębokiego.

Książka prowadzi czytelnika od podstaw uczenia maszynowego do zaawansowanych technik uczenia głębokiego. Część pierwsza obejmuje fundamenty ML: przygotowanie danych, wybór i trenowanie modeli, algorytmy klasyfikacji i regresji, drzewa decyzyjne, lasy losowe, techniki redukcji wymiarowości. Druga jest poświęcona sieciom neuronowym i uczeniu głębokiemu w PyTorch: od podstawowych perceptronów, przez sieci splotowe do widzenia komputerowego, sieci rekurencyjne do przetwarzania sekwencji, aż po transformatory architekturę stojącą za współczesnymi asystentami AI. Każdy rozdział zawiera praktyczne przykłady w postaci notatników Jupyter, gotowe do uruchomienia w Google Colab.

W książce:

  • Kompletny projekt ML
  • Klasyczne algorytmy
  • Sieci neuronowe w PyTorch
  • CNN do widzenia komputerowego i wykrywania obiektów
  • Transformatory do NLP
  • Uczenie przez wzmacnianie i generatywne modele AI
  • Transfer learning, kwantyzacja, przyspieszanie modeli

Od podstaw do transformatorów praktyczny przewodnik po ML i AI

Książka ta wychowała nowe pokolenie praktyków uczenia maszynowego. Została znakomicie zaktualizowana, aby uwzględnić PyTorch, i ponownie staje się najważniejszym praktycznym przewodnikiem w tej dziedzinie.

Tarun Narayanan, inżynier uczenia maszynowego w Amazon AGI

Geron trafia w sedno: praktyczne implementacje w Scikit-Learn i PyTorch, które uczą koncepcji, równoważone teorią, która wyjaśnia, zamiast przytłaczać.

Ulf Bissbort, dyrektor do spraw technicznych i współzałożyciel ZefHub

Książka ta jest prawdziwą biblią dla początkujących w dziedzinie uczenia maszynowego.

Haesun Park, laureatka programu Microsoft AI MVP

Wybrane bestsellery

Selling helion.pl

O autorze książki

Aurélien Géron - jest konsultantem do spraw uczenia maszynowego. Wcześniej pracował w korporacji Google, a w latach 2013 – 2016 kierował zespołem klasyfikowania filmów w firmie YouTube. Był również założycielem i dyrektorem do spraw technicznych (w latach 2002 – 2012) w firmie Wifirst — czołowym francuskim dostawcy bezprzewodowych usług internetowych; te same funkcje pełnił w 2001 roku w firmie Polyconseil — obecnie zarządza ona usługą udostępniania samochodów elektrycznych Autolib’.

Aurélien Géron - pozostałe książki

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy w książce znajdę praktyczny kod, który mogę od razu uruchomić?
Tak. Rozdziały zawierają przykłady w notatnikach Jupyter gotowych do uruchomienia w Google Colab, co ułatwia naukę bez lokalnej konfiguracji.
2. Jakie narzędzia i biblioteki są omawiane w praktyce?
Dwie główne: Scikit-Learn do klasycznych algorytmów ML (klasyfikacja, regresja, drzewa, zespoły, redukcja wymiarowości) oraz PyTorch do sieci neuronowych i uczenia głębokiego.
3. Czy książka prowadzi przez cały proces tworzenia modelu od danych do wdrożenia?
Tak. Zawiera pełny projekt ML: pozyskanie danych, eksplorację i wizualizację, przygotowanie cech, trening, walidację (np. cross-validation), strojenie hiperparametrów oraz uruchomienie, monitorowanie i utrzymanie systemu.
4. Czy oprócz podstaw są też nowoczesne tematy, takie jak transformatory i LLM-y?
Tak. Omawia transformatory w NLP i czatbotach (BERT/GPT), a także zagadnienia związane z dostrajaniem (m.in. SFT, RLHF, DPO) i przyspieszaniem transformatorów.
5. Czy znajdę tu rozdziały o widzeniu komputerowym i detekcji obiektów?
Tak. Są sieci splotowe (CNN), architektury typu ResNet, użycie TorchVision, a także wykrywanie obiektów (np. YOLO), śledzenie oraz segmentacja semantyczna.
6. Czy książka porusza generatywne modele AI i uczenie przez wzmacnianie?
Tak. Zawiera autokodery, GAN-y i modele dyfuzyjne, a także uczenie przez wzmacnianie (m.in. Gymnasium, DQN, PPO/Stable-Baselines3).
7. Czy autor pokazuje, jak przyspieszać modele i przygotować je do użycia produkcyjnego?
Tak. Są tematy takie jak transfer learning, kompilacja i optymalizacja modeli w PyTorch, mieszana precyzja, kwantyzacja (także dla dużych modeli językowych) oraz techniki przyspieszania transformerów (np. FlashAttention, cache KV).

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki
Proszę czekać...
ajax-loader

Zamknij

Wybierz metodę płatności

Książka
119,40 zł
Dodaj do koszyka
Ebook
99,50 zł
Dodaj do koszyka

Wydawnictwo Naukowe Helion »

Grafika Wydawnictwo Naukowe Helion. Dołącz do nas!
Zamknij Pobierz aplikację mobilną Ebookpoint