Поиск книг по лучшей цене!

Актуальная информация о наличии книг в крупных интернет-магазинах и сравнение цен.


  • Дж. Вандер Плас. Python для сложных задач. Наука о данных и машинное обучение
    Python для сложных задач. Наука о данных и машинное обучение
    Дж. Вандер Плас
    Книга "Python Data Science Handbook" - это подробное руководство по самым разным вычислительным и статистическим методам, без которых немыслима любая интенсивная обработка данных, научные исследования и передовые разработки. Читатели, уже имеющие опыт программирования и желающие эффективно использовать Python в сфере Data Science, найдут в этой книге ответы на всевозможные вопросы, например: 1) как мне считать этот формат данных в мой скрипт? 2) Как преобразовать, очистить эти данные и манипулировать ими? 3) Как визуализировать данные такого типа? Как при помощи этих данных разобраться в ситуации, получить ответы на вопросы, построить статистические модели или реализовать машинное обучение?
  • Себастьян Рашка. Python и машинное обучение
    Python и машинное обучение
    Себастьян Рашка
    Книга предоставит вам доступ в мир прогнозной аналитики и продемонстрирует, почему Python является одним из лидирующих языков науки о данных. Охватывая широкий круг мощных библиотек Python, в том числе scikit-learn, Theano и Keras, предлагая руководство и советы по всем вопросам, начиная с анализа мнений и заканчивая нейронными сетями, книга ответит на большинство ваших вопросов по машинному обучению.Издание предназначено для специалистов по анализу данных, находящихся в поисках более широкого и практического понимания принципов машинного обучения.
  • Андреас Мюллер, Сара Гвидо. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными
    Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными
    Андреас Мюллер, Сара Гвидо
    Эта полноцветная книга - отличный источник информации для каждого, кто собирается использовать машинное обучение на практике. Ныне машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, и не следует думать, что эта область - прерогатива исключительно крупных компаний с мощными командами аналитиков. Эта книга научит вас практическим способам построения систем МО, даже если вы еще новичок в этой области. В ней подробно объясняются все этапы, необходимые для создания успешного проекта машинного обучения, с использованием языка Python и библиотек scikit-learn, NumPy и matplotlib. Авторы сосредоточили свое внимание исключительно на практических аспектах применения алгоритмов машинного обучения, оставив за рамками книги их математическое обоснование. Данная книга адресована специалистам, решающим реальные задачи, а поскольку область применения методов МО практически безгранична, прочитав эту книгу, вы сможете собственными силами построить действующую систему машинного обучения в любой научной или коммерческой сфере.
  • Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани. Введение в статистическое обучение с примерами на языке R
    Введение в статистическое обучение с примерами на языке R
    Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани
    Книга представляет собой доступно изложенное введение в статистическое обучение - незаменимый набор инструментов, позволяющих извлечь полезную информацию из больших и сложных наборов данных, которые начали возникать в последние 20 лет в таких областях, как биология, экономика, маркетинг, физика и др. В этой книге описаны одни из наиболее важных методов моделирования и прогнозирования, а также примеры их практического применения. Рассмотренные темы включают линейную регрессию, классификацию, создание повторных выборок, регуляризацию, деревья решений, машины опорных векторов, кластеризацию и др. Описание этих методов сопровождается многочисленными иллюстрациями и практическими примерами. Поскольку цель этого учебника заключается в продвижении методов статистического обучения среди практикующих академических исследователей и промышленных аналитиков, каждая глава включает примеры практической реализации соответствующих методов с помощью R - чрезвычайно популярной среды статистических вычислений с открытым кодом.Издание рассчитано на неспециалистов, которые хотели бы применять современные методы статистического обучения для анализа своих данных. Предполагается, что читатели ранее прослушали лишь курс по линейной регрессии и не обладают знаниями матричной алгебры.
  • Бенджио Иошуа, Гудфеллоу Ян, Курвилль Аарон. Глубокое обучение
    Глубокое обучение
    Бенджио Иошуа, Гудфеллоу Ян, Курвилль Аарон
    Глубокое обучение - это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры.Издание предназначено студентам вузов и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.
  • Хенрик Бринк, Джозеф Ричардс, Марк Феверолф. Машинное обучение
    Машинное обучение
    Хенрик Бринк, Джозеф Ричардс, Марк Феверолф
    В последние годы машинное обучение вышло на уровень большого бизнеса: компании активно используют его для зарабатывания денег, прикладные исследования бурно развиваются, а неугомонные разработчики используют любую возможность повысить свой уровень владения данной тематикой. Данная книга рассчитана на тех, кто хочет решать самые разнообразные задачи при помощи машинного обучения. Как правило, для этого нужен Python, поэтому в примерах кода используется этот язык, а также библиотеки pandas и scikit-learn. Вы познакомитесь с основными понятиями ML, такими как сбор данных, моделирование, классификация и регрессия, а главное, получите практический опыт обработки реальных данных.
  • Пестрякова Н.В.. Метод распознавания символов, основанный на полиномиальной регрессии
    Метод распознавания символов, основанный на полиномиальной регрессии
    Пестрякова Н.В.
    Целью настоящего издания является обобщение результатов, полученных автором в области распознавания печатных и рукопечатных символов начиная с 1999 г. и опубликованных в открытой печати в серии статей. В монографии излагаются теоретические основы и аспекты практического применения разработанного автором метода распознавания, описываются характеристики качества программной реализации метода, производится сопоставление с характеристиками известных алгоритмов распознавания. Описаны предложенные автором подходы к изучению свойств оценки распознавания и исследованию качества распознавания в зависимости от степени различия баз обучения и распознавания. Читателю предлагается по-новому взглянуть на проблему распознавания, ознакомиться с полученными в ходе численных экспериментов результатами и их трактовкой. Книга содержит большой объем фактического материала, оформленного в виде графиков, диаграмм и таблиц.
  • Прикладная и компьютерная лингвистика
    Прикладная и компьютерная лингвистика
    Вниманию читателей предлагается первое на русском языке практическое введение в современные лингвистические технологии. Из книги можно узнать о применении знаний о языке для решения прикладных задач. Монография позволяет найти ответы на базовые вопросы, возникающие у начинающего исследователя: как работают современные лингвистические технологии, где взять основные компоненты программ и что читать дальше для углубленного понимания.Многие сложные научно-технические проблемы станут намного понятнее. Например, как заставить компьютер прочитать текст для слабовидящего человека. Или как сделать автоматический переводчик, чтобы договориться с торговцем на рынке в глухой провинции Китая. Или даже - как научить смартфон давать рекомендации, на какой фильм пригласить подругу.Книга предназначена для преподавателей и студентов, для разработчиков программ по компьютерной обработке языка, для всех интересующихся многогранными возможностями современной прикладной лингвистики.
  • С. В. Малов. Регрессионный анализ. Теоретические основы и практические рекомендации
    Регрессионный анализ. Теоретические основы и практические рекомендации
    С. В. Малов
    В книге рассматриваются классическая теория и современные результаты в обла­сти регрессионного анализа - одного из важнейших направлений анализа статистических данных. Автором детально изложены основы регрессионного и дисперсионного анализа в предположении нормальности наблюдений, методики выбора статистических гипотез и подбора оптимальной модели с использованием информационных критериев. Уделяется внимание неполным классификациям дисперсионного анализа и моделям с рандомизацией. Рассмотрены вопросы теории и практики регрессионного анализа в обобщенных линейных моделях при анализе таблиц сопряженности и коротких временных рядов ("лонгитьюдных данных"). Предложены методы реализации численного анализа с использованием свобод­ного программного обеспечения R. Книга рассчитана на научных работников математических специальностей, занима­ющихся статистическим анализом данных, но может быть интересна и специалистам ме­дицинских, биологических и технических направлений. Может быть рекомендована в ка­честве учебного пособия студентам и аспирантам соответствующих специальностей.

© 2017 books.iqbuy.ru