لایب سان

Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This best-selling book uses concrete examples, minimal theory, and production-ready Python frameworks--scikit-learn, Keras, and TensorFlow--to help you gain an intuitive understanding of the concepts and tools for building intelligent systems.

With this updated third edition, author Aurelien Geron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started.

• Use scikit-learn to track an example machine learning project end to end
• Explore several models, including support vector machines, decision trees, random forests, and ensemble methods
• Exploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detection
• Dive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, and transformers
• Use TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning
• Train neural nets using multiple GPUs and deploy them at scale using Google's Vertex AI

چکیده فارسی

از طریق یک سری پیشرفت‌های اخیر، یادگیری عمیق کل حوزه یادگیری ماشین را تقویت کرده است. اکنون، حتی برنامه نویسانی که تقریباً هیچ چیز در مورد این فناوری نمی دانند، می توانند از ابزارهای ساده و کارآمد برای اجرای برنامه هایی که قادر به یادگیری از داده ها هستند، استفاده کنند. این کتاب پرفروش از مثال‌های عینی، حداقل نظریه و چارچوب‌های پایتون آماده تولید - scikit-learn، Keras و TensorFlow - استفاده می‌کند تا به شما کمک کند درک بصری از مفاهیم و ابزارهای ساخت سیستم‌های هوشمند به دست آورید.

با این ویرایش سوم به روز شده، نویسنده Aurelien Geron طیف وسیعی از تکنیک ها را بررسی می کند که با رگرسیون خطی ساده شروع می شود و تا شبکه های عصبی عمیق پیش می رود. مثال‌ها و تمرین‌های کد متعدد در سراسر کتاب به شما کمک می‌کند تا آنچه را که آموخته‌اید به کار ببرید. تجربه برنامه نویسی تنها چیزی است که برای شروع به آن نیاز دارید.

• از scikit-learn برای ردیابی یک نمونه پروژه یادگیری ماشینی از انتها تا انتها استفاده کنید
• چند مدل، از جمله ماشین‌های بردار پشتیبان، درخت‌های تصمیم‌گیری، جنگل‌های تصادفی، و روش‌های مجموعه را کاوش کنید
• استفاده از تکنیک‌های یادگیری بدون نظارت مانند کاهش ابعاد، خوشه‌بندی، و تشخیص ناهنجاری
• در معماری‌های شبکه عصبی، از جمله شبکه‌های کانولوشن، شبکه‌های برگشتی، شبکه‌های متخاصم مولد، و ترانسفورماتورها غوطه‌ور شوید
• از TensorFlow و Keras برای ساخت و آموزش شبکه های عصبی برای بینایی کامپیوتری، پردازش زبان طبیعی، مدل های تولیدی و یادگیری تقویتی عمیق استفاده کنید
• شبکه های عصبی را با استفاده از چندین پردازنده گرافیکی آموزش دهید و آنها را در مقیاس با استفاده از Vertex AI Google مستقر کنید