Razvoj modela mašinskog učenja i dubokog učenja pomoću programskog jezika Python 

Mašinsko učenje uz PyTorch i Scikit-Learn je kompletan vodič za mašinsko učenje i duboko učenje pomoću biblioteke PyTorch. Služiće vam i kao prirunik za učenje i kao referenca koju ćete uvek koristiti dok gradite sisteme mašinskog učenja.

Naučićete sve osnovne tehnike mašinskog učenja zahvaljujući jasnim objašnjenjima, vizuelizacijama i primerima. Dok ste uz neke knjige primorani da slepo sledite uputstva, uz ovu knjigu o mašinskom učenju shvatićete principe koji vam omogućavaju da sami gradite modele i aplikacije.

Ova knjiga je ažurirana tako da obuhvata duboko učenje upotrebom biblioteke PyTorch i predstavlja čitaocima najnovije dodatke biblioteci scikit-learn. Uz to, ova knjiga objašnjava različite tehnike mašinskog učenja i dubokog učenja za klasifikaciju teksta i slika. Takođe ćete učiti o generativnim suparničkim mrežama (GAN) za generisanje novih podataka i inteligentnim agentima za obuku uz učenje uslovljavanjem. Konačno, ovo novo, prošireno, izdanje obuhvata najnovije trendove dubokog učenja, uključujući grafovske neuronske mreže i transformatore velikih razmera koji služe za obradu govornog jezika (NLP).

Ova knjiga o biblioteci PyTorch biće vaš kompanjon za mašinsko učenje u programskom jeziku Python, bilo da ste Python programer koji tek počinje da se bavi mašinskim učenjem ili želite da produbite svoje znanje o najnovijim dostignućima.

Uveren sam da će vam ova knjiga biti od neprocenjive vrednosti i kao opširan pregled uzbudljive oblasti mašinskog učenja i kao riznica praktičnih uvida. Nadam se da će vas inspirisati da primenite mašinsko učenje za opšte dobro u bilo kom području koje vam zadaje probleme.

Dmitro Dzhulgakov

PyTorch Core Maintainer

Šta ćete naučiti

- Istraživanje radnih okvira, modela i tehnika za mašinsko 'učenje' iz podataka

- Upotrebu biblioteke scikit-learn za mašinsko učenje i biblioteke PyTorch za duboko učenje

- Obučavanje klasifikatora mašinskog učenja slikama, tekstom i drugim

- Izgradnju i obučavanje neuronskih mreža, transformatora i grafovskih neuronskih mreža

- Najbolju praksu za procenu i podešavanje modela

- Predviđanje kontinuiranih ciljnih ishoda pomoću regresione analize

- Otkrivanje detalja tekstualnih podataka i podataka društvenih medija pomoću analize mišljenja

Kratak sadržaj

1. Kako da računarima pružite mogućnost da uče iz podataka
2. Obučavanje jednostavnih algoritama mašinskog učenja za klasifikaciju
3. Predstavljanje klasifikatora mašinskog učenja pomoću biblioteke scikit-learn
4. Izgradnja dobrih skupova podataka za obuku – pretproceriranje podataka
5. Kompresovanje podataka upotrebom redukcije dimenzionalnosti
6. Učenje najbolje prakse za procenu modela i podešavanje hiperparametara
7. Kombinovanje različitih modela za učenje u ansamblu
8. Primena mašinskog učenja na analizu mišljenja
9. Predviđanje kontinuiranih ciljnih promenljivih pomoću regresione analize
10. Upotreba neoznačenih podataka – analiza klasterovanja
11. Implementiranje višeslojnih veštačkih neuronskih mreža od nule
12. Paralelizacija obuke neuronske mreže pomoću radnig okvira PyTorch
13. Detaljnije - mehanika radnog okvira PyTorch
14. Klasifikacija slika pomoću dubokih konvolutivnih neuronskih mreža
15. Modelovanje sekvencijalnih podataka korišćenjem rekurentnih neuronskih mreža
16. Transformatori - Poboljšanje obrade govornog jezika pomoću mehanizma pažnje
17. Generativne suparničke mreže za sintetizovanje novih podataka
18. Grafovske neuronske mreže za otkrivanje zavisnosti u grafički strukturiranim podacima

19.       Učenje uslovljavanjem za donošenje odluka u kompleksnim okruženjima