Guida completa
Costruire algoritmi per generare conoscenza
- 672 pagine
- Italian
- ePUB (disponibile sull'app)
- Disponibile su iOS e Android
Informazioni sul libro
Oggi più che mai elaborare il magma di dati disponibili è una sfida affascinante e imprescindibile. Il machine learning, ovvero la capacità di creare macchine in grado di apprendere in modo automatico, permette di affrontarla.Questa nuova edizione del bestseller di Sebastian Raschka, profondamente aggiornata e ampliata, accompagna nel mondo del machine learning e mostra come Python sia il linguaggio di programmazione ideale per interrogare i dati e recuperare preziosi insight. Viene spiegato l'utilizzo di librerie dedicate - tra cui TensorFlow e scikit-learn - applicate in ambiti come la selezione e la compressione dei dati, l'analisi del linguaggio naturale, l'elaborazione di previsioni, il riconoscimento delle immagini, e viene dato spazio a due tecniche di machine learning all'avanguardia: il reinforcement learning e le reti generative avversarie (GAN).L'approccio è pragmatico: tutti i concetti sono accompagnati da esempi di codice e tutorial passo-passo. La lettura è consigliata a chi ha già alle spalle qualche studio teorico nel campo della scienza dei dati e ha maturato un'esperienza di base nella programmazione in Python.
Domande frequenti
Informazioni
Indice dei contenuti
- Introduzione
- Autori e collaboratori
- Ringraziamenti
- Capitolo 1 - Dare ai computer la capacità di apprendere dai dati
- Capitolo 2 - Addestrare gli algoritmi a compiti di classificazione
- Capitolo 3 - Tour dei classificatori di machine learning con scikit-learn
- Capitolo 4 - Costruire buoni dataset di addestramento: la pre-elaborazione
- Capitolo 5 - Comprimere i dati tramite riduzione della dimensionalità
- Capitolo 6 - Valutare i modelli e ottimizzare gli iperparametri
- Capitolo 7 - Combinare fra loro più modelli: ensemble learning
- Capitolo 8 - Applicare il machine learning all’analisi del sentiment
- Capitolo 9 - Embedding di un modello in un’applicazione web
- Capitolo 10 - Predire variabili target continue con l’analisi a regressione
- Capitolo 11 - Lavorare con dati senza etichette: l’analisi dei cluster
- Capitolo 12 - Implementare una rete neurale artificiale a layer multipli
- Capitolo 13 - Parallelizzare l’addestramento di reti neurali con TensorFlow
- Capitolo 14 - Approfondimenti: come funziona TensorFlow
- Capitolo 15 - Classificare immagini con le reti neurali convoluzionali profonde
- Capitolo 16 - Modellare dati sequenziali con le reti neurali ricorrenti
- Capitolo 17 - Reti generative avversarie per la sintesi di nuovi dati
- Capitolo 18 - Reinforcement learning per decisioni in ambienti complessi