5 лучших книг для изучения библиотеки TensorFlow
TensorFlow — это библиотека для машинного обучения, созданная Google. В 2015 году компания открыла код библиотеки для свободного доступа.
TensorFlow упрощает сложные вычисления, представляя их в виде графов и эффективно размечая части графов для машин в кластере или процессоров отдельной машины. Эта библиотека прекрасно подходит как для личных проектов, так и для бизнес-решений. Она гибкая, эффективная и портируемая; работает на самых разных устройствах, от смартфонов до огромных вычислительных кластеров.
В общем, совершенно не удивительно, что TensorFlow быстро стала любимым инструментом разработчиков для быстрого, эффективного и точного решения задач, связанных с глубоким обучением. В настоящее время TensorFlow активно используется в сфере обработки естественного языка, искусственного интеллекта, компьютерного зрения и предсказательной аналитики.
В этой статье мы представляем вам пять отличных книг, обучающих применению TensorFlow на практике.
Learn TensorFlow 2.0
Авторы: Pramod Singh, Avinash Manure. Год издания: 2020. Язык: английский.
Эта книга предназначена для специалистов по науке о данных, а также разработчиков систем машинного обучения. Прекрасные примеры, приведенные в этой книге, научат вас использовать TensorFlow для построения моделей машинного обучения и глубокого обучения.
Книга начинается с представления библиотеки TensorFlow 2.0 и анализа самых важных изменений, которые произошли в новом релизе. Дальнейшее содержание полностью сосредоточено на примерах использования TensorFlow 2.0. Также авторы рассматривают, как использовать API TensorFlow при построении моделей машинного и глубокого обучения для классификации изображений (со стандартными и пользовательскими параметрами).
Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow
Авторы: Орельен Жерон. Год издания: 2018. Язык: русский.
В наше время даже программисты, довольно мало знающие о машинном обучении, могут использовать простые и эффективные инструменты для реализации программ, способных учиться на данных. Эта книга покажет вам, как это делается.
В книге Орельена Жерона минимум теории, зато рассматриваются очень конкретные примеры с использованием двух фреймворков Python — scikit-learn и TensorFlow. Читая эту книгу, вы разберетесь в концепциях и инструментах создания интеллектуальных систем. Вы изучите ряд приемов, начиная с простой линейной регрессии и заканчивая глубокими нейронными сетями. Упражнения в каждой части книги помогут вам начать применять полученные знания на практике.
Машинное обучение и TensorFlow
Автор: Шакла Нишант. Год издания: 2019. Язык: русский.
«Машинное обучение и TensorFlow» дает читателям прочные базовые знания в сфере машинного обучения, а также практический опыт написания кода с использованием TensorFlow.
Работая с классическими алгоритмами прогнозирования, классификации и кластеризации, вы изучите основы машинного обучения. Затем вы перейдете к изучению таких концепций глубокого обучения, как автокодировщики, рекуррентные нейронные сети и обучение с подкреплением.
В общем, прочитав эту книгу, вы будете готовы использовать TensorFlow для собственных приложений машинного обучения и глубокого обучения.
Hands-On Deep Learning for Images with TensorFlow
Автор: Will Ballard. Год издания: 2018. Язык: английский.
Это практическое пособие. В нем вы найдете примеры реальных проектов, на основе которых автор покажет вам, как использовать возможности TensorFlow для эффективной обработки изображений с использованием возможностей глубокого обучения.
Читая эту книгу, вы познакомитесь с различными парадигмами глубокого обучения, такими как глубокие нейронные сети и сверточные нейронные сети, а также разберетесь, как их можно реализовать с помощью TensorFlow и Keras.
TensorFlow for Machine Intelligence
Авторы: Sam Abrahams, Danijar Hafner, Erik Erwitt, Ariel Scarpinelli. Год издания: 2016. Язык: английский.
Эта книга — практическое введение в изучение алгоритмов. Она предназначена для новичков в теме машинного обучения, которые слышали о TensorFlow, но боятся начать изучать эту библиотеку с чтения документации. «TensorFlow for Machine Intelligence» обеспечивает читателям пологую кривую обучения, а кроме того, предлагает примеры кода, иллюстрирующие каждый шаг.
Книга начинается с объяснения самых азов TensorFlow. В большинстве учебных пособий авторы пытаются объяснять терминологию библиотеки одновременно с концепциями машинного обучения. В этой книге использован другой подход. Вы сначала разбираетесь в механизмах TensorFlow и ее API, а уж после переходите к изучению машинного обучения.
Tensorflow для глубокого обучения pdf
Глубокое обучение в биологии и медицине [2020] Рамсундар, Истман, Уолтерс
Глубокое обучение добилось впечатляющих успехов во многих отраслях. Сейчас оно все глубже проникает в прикладные научные исследования, в частности в биологию и смежные дисциплины. Эта книга рассказывает о применении глубокого обучения в геномике, химии, биофизике, микроскопии, медицине и других направлениях современных исследований всего, что связано с живыми организмами.
Представленные в книге стандартные архитектуры глубоких сетей идеально подходят для программистов-разработчиков и ученых, работающих над созданием новых лекарств или ведущих исследования в области биологии и генетики. Книга содержит множество практических примеров, включая полный цикл поиска нового лекарства – одну из самых сложных научно-прикладных задач на стыке физики, химии, биологии и медицины.
Издание будет полезно широкому кругу специалистов, связанных с анализом данных в химии, биологии и медицине, а также разработчикам программного обеспечения для них и студентам вузов.
Deep Learning for the Life Sciences [2020] Bharath Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande
Нечеткое моделирование и управление [2020] Анджей Пегат
В настоящем издании дается развернутое введение в проблемы нечеткого и нейронечеткого моделирования применительно к задаче управления системами. Материал основан на новейших результатах в данной области и иллюстрируется многочисленными примерами.
При отсутствии достаточно точного знания об объекте управления традиционные методы решения задач управления оказываются неэффективными или могут быть вообще неприменимы. В этом случае можно строить нечеткие системы управления с применением аппарата нечетких множеств, нечеткой логики, нечеткого моделирования. Еще большая эффективность достигается сочетанием указанных методов с аппаратом искусственных нейронных сетей и генетических алгоритмов.
Именно этот круг вопросов рассматривается в книге «Нечеткое моделирование и управление». Ее автор, Анджей Пегат, профессор Щецинского технического университета (Польша) – видный специалист в области мягких вычислений и теории управления.
Одна из интересных особенностей книги состоит в том, что методы мягких вычислений излагаются и трактуются с позиций специалиста по системам управления.
Книга будет полезна студентам старших курсов, аспирантам, научным работникам и инженерам, специалистам по системам управления при решении задач моделирования в различных прикладных областях.
Fuzzy Modeling and Control [2020] Аndrzej Piegat
Глубокое обучение для поисковых систем [2020] Томмазо Теофили
В книге рассказывается о том, как использовать глубокие нейронные сети для создания эффективных поисковых систем. Рассматривается несколько компонентов поисковой системы, дается представление о том, как они работают, и приводятся рекомендации по использованию нейронных сетей в разных контекстах поиска. Особое внимание уделено практическому объяснению методов поиска и глубокого машинного обучения на базе примеров, большинство которых включает фрагменты кода.
Автор освещает основные проблемы, связанные с поисковыми системами, и указывает пути решения этих проблем. Он раскрывает принципы тестирования эффективности нейронных сетей, а также измерения их затрат и выгод.
Издание предназначено для читателей, владеющих программированием на среднем уровне и отлаживающих поисковые системы с целью повышения их эффективности, то есть выдачи наиболее релевантных результатов.
Python Machine Learning, 2nd Edition [2017] Sebastian Raschka, Vahid Mirjalili
Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
Unlock modern machine learning and deep learning techniques with Python by using the latest cutting-edge open source Python libraries.
Machine learning is eating the software world, and now deep learning is extending machine learning. Understand and work at the cutting edge of machine learning, neural networks, and deep learning with this second edition of Sebastian Raschka’s bestselling book, Python Machine Learning. Thoroughly updated using the latest Python open source libraries, this book offers the practical knowledge and techniques you need to create and contribute to machine learning, deep learning, and modern data analysis.
Fully extended and modernized, Python Machine Learning Second Edition now includes the popular TensorFlow deep learning library. The scikit-learn code has also been fully updated to include recent improvements and additions to this versatile machine learning library.
Sebastian Raschka and Vahid Mirjalili’s unique insight and expertise introduce you to machine learning and deep learning algorithms from scratch, and show you how to apply them to practical industry challenges using realistic and interesting examples. By the end of the book, you’ll be ready to meet the new data analysis opportunities in today’s world.
If you’ve read the first edition of this book, you’ll be delighted to find a new balance of classical ideas and modern insights into machine learning. Every chapter has been critically updated, and there are new chapters on key technologies. You’ll be able to learn and work with TensorFlow more deeply than ever before, and get essential coverage of the Keras neural network library, along with the most recent updates to scikit-learn.
What You Will Learn
● Understand the key frameworks in data science, machine learning, and deep learning
● Harness the power of the latest Python open source libraries in machine learning
● Master machine learning techniques using challenging real-world data
● Master deep neural network implementation using the TensorFlow library
● Ask new questions of your data through machine learning models and neural networks
● Learn the mechanics of classification algorithms to implement the best tool for the job
● Predict continuous target outcomes using regression analysis
● Uncover hidden patterns and structures in data with clustering
● Delve deeper into textual and social media data using sentiment analysis
Машинное обучение и глубокое обучение с помощью Python, scikit-learn и TensorFlow. Откройте для себя современные методы машинного обучения и глубокого обучения с помощью Python, используя новейшие передовые библиотеки Python с открытым исходным кодом. Машинное обучение пожирает мир программного обеспечения, и теперь глубокое обучение расширяет машинное обучение. Поймите и работайте на переднем крае машинного обучения, нейронных сетей и глубокого обучения с помощью этого второго издания бестселлера Себастьяна Рашки» машинное обучение Python». Тщательно обновленная с использованием новейших библиотек Python с открытым исходным кодом, эта книга предлагает практические знания и методы, необходимые для создания и внесения вклада в машинное обучение, глубокое обучение и современный анализ данных.
Полностью расширенная и модернизированная, Python Machine Learning Second Edition теперь включает в себя популярную библиотеку глубокого обучения TensorFlow. Код scikit-learn также был полностью обновлен, чтобы включить последние улучшения и дополнения в эту универсальную библиотеку машинного обучения.
Уникальные знания и опыт Себастьяна Рашки и Вахида Мирджалили познакомят вас с алгоритмами машинного обучения и глубокого обучения с нуля, а также покажут, как применять их к практическим отраслевым задачам на реалистичных и интересных
Tensorflow для глубокого обучения pdf
6 книг по искусственному интеллекту [Python]
[1] Python для сложных задач. Наука о данных и машинное обучение [2018] Плас Дж
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.
[2] Машинное обучение и TensorFlow [2019] Шакла
[3] Основы Data Science и Big Data. Python и наука о данных [2018] Силен
[5] Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем [2018] Жерон
«Эта книга — замечательное введение в теорию и практику решения задач с помощью нейронных сетей. Она охватывает ключевые моменты, необходимые для построения эффективных приложений, а также обеспечивает достаточную основу для понимания результатов новых исследований по мере их появления. Я рекомендую эту книгу всем, кто заинтересован в освоении практического машинного обучения».
— Пит Уорден, технический руководитель направления TensorFlow.
Благодаря серии недавних достижений глубокое обучение значительно усилило всю область машинного обучения. В наше время даже программисты, почти ничего не знающие об этой технологии, могут использовать простые и эффективные инструменты для реализации программ, которые способны обучаться на основе данных. В настоящем практическом руководстве показано, что и как следует делать.
За счет применения конкретных примеров, минимума теории и двух фреймворков Python производственного уровня — Scikit-Learn и TensorFlow — автор книги Орельен Жерон поможет вам получить интуитивное представление о концепциях и инструментах, предназначенных для построения интеллектуальных систем. Вы узнаете о ряде приемов, начав с простой линейной регрессии и постепенно добравшись до глубоких нейронных сетей. Учитывая наличие в каждой главе упражнений, призванных закрепить то, чему вы научились, для начала работы нужен лишь опыт программирования.
— Исследуйте область машинного обучения, особенно нейронные сети.
— Используйте Scikit-Learn для отслеживания проекта машинного обучения от начала до конца.
— Исследуйте некоторые обучающие модели, включая методы опорных векторов, деревья принятия решений, случайные леса и ансамблевые методы.
— Применяйте библиотеку TensorFlow для построения и обучения нейронных сетей.
— Исследуйте архитектуры нейронных сетей, включая сверточные сети, рекуррентные сети и глубокое обучение с подкреплением.
— Освойте приемы для обучения и масштабирования глубоких нейронных сетей.
— Используйте практические примеры кода, не овладевая чрезмерно теорией машинного обучения или деталями алгоритмов.
[6] Глубокое обучение в Python [2018] Франсуа Шолле
