Поиск книг по лучшей цене!

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


  • 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.
  • Джош Паттерсон, Адам Гибсон. Глубокое обучение с точки зрения практика
    Глубокое обучение с точки зрения практика
    Джош Паттерсон, Адам Гибсон
    Все, что должен знать разработчик-практик, чтобы приступить к применению глубокого обучения для решения реальных задач!Интерес к машинному обучению зашкаливает, но завышенные ожидания нередко губят проекты еще на ранней стадии. Как машинное обучение - и особенно глубокие нейронные сети - может изменить вашу организацию?Эта книга не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения.Авторы сначала раскрывают фундаментальные вопросы глубокого обучения - настройка, распараллеливание, векторизация, конвейеры операций - актуальные для любой библиотеки, а затем переходят к библиотеке Deeplearning4j (DL4J), предназначенной для разработки технологических процессов профессионального уровня. На реальных примерах читатель познакомится с методами и стратегиями обучения глубоких сетей с различной архитектурой и их распараллеливания в кластерах Hadoop и Spark.Концепции машинного обучения вообще и глубокого обучения в частностиЭволюция глубоких сетей из нейронныхОсновные архитектуры глубоких сетей, в т. ч. сверточные и рекуррентные нейронные сетиКак выбрать сеть, отвечающую поставленной задачеОсновы настройки нейронных сетей вообще и конкретных глубоких архитектурПрименение методов векторизации к данным различных типов.
  • Ш. Бастиан. Крупномасштабное машинное обучение вместе с Python
    Крупномасштабное машинное обучение вместе с Python
    Ш. Бастиан
    С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python.С этой книгой вы научитесь:• применять большинство масштабируемых алгоритмов машинного обучения;• работать с новейшими крупномасштабными методами машинного обучения;• увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных;• работать с вычислительной парадигмой Map-Reduce в платформе Spark;• применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop;• создавать мощные ансамбли в крупном масштабе;• использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину.
  • Д. Кук. Машинное обучение с использованием библиотеки Н2О
    Машинное обучение с использованием библиотеки Н2О
    Д. Кук
    Н20 - простая в использовании и открытая библиотека, которая поддерживает большое количество операционных систем и языков программирования, а также масштабируется для обработки больших данных. Эта книга научит вас использовать алгоритмы машинного обучения, реализованные в Н2О, с упором на наиболее важные для продуктивной работы аспекты. Рассмотрены глубокое обучение, случайный лес, обучение на не размеченных данных и ансамбли моделей.В российское издание добавлены дополнительно два приложения, описывающих новейшие модули Н2О - Deep Water и Stacked Ensemble.Издание предназначено для специалистов по анализу данных, желающих изучить и применять на практике относительно новый, но многообещающий инструмент - библиотеку Н2О.
  • 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.
  • 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