Kroz seriju otkrića, duboko učenje dalo je zamah celom polju mašinskog učenja. Sada čak i programeri koji skoro ništa ne znaju o ovoj tehnologiji mogu da koriste jednostavne, efikasne alate za primenu programa sposobnih za učenje iz podataka. Ažurirano izdanje ove najprodavanije knjige koristi konkretne primere, minimalno teorije i Pythonove radne okvire spremne za upotrebu kako bi vam pomogli da steknete intuitivno razumevanje koncepata i alata za izgradnju inteligentnih sistema.
Naučićete niz tehnika koje možete brzo da upotrebite. Uz vežbe u svakom poglavlju koje će vam pomoći da primenite naučeno, sve što vam je potrebno je iskustvo programiranja da biste krenuli. Celokupan kôd je dostupan na GitHubu. Ažuriran je na TensorFlow 2 i najnoviju verziju Scikit-Learna.

• Naučite osnove mašinskog učenja kroz projekat od početka do kraja koristeći Scikit-Learn
• Izgradite i obučite razne arhitekture neuronskih mreža za klasifikaciju i regresiju koristeći TensorFlow 2
• Saznajte o detekciji objekata, semantičkoj segmentaciji, mehanizmima pažnje, jezičkim modelima, GAN-ovima i još mnogo toga
• Istražite Keras API, zvanični API visokog nivoa za TensorFlow 2
• Pustite u primenu modele TensorFlow koristeći TensorFlowov Data API, API strategije distribucije, TF Transform i TF-Serving
• Primenite na Google Cloud AI platformi ili na mobilnim uređajima
• Upotrebite tehnike nenadgledanog učenja, kao što su redukcija dimenzija, klasterovanje i otkrivanje anomalija
• Stvorite samostalne agente za učenje pomoću forsiranog učenja, uz korišćenje biblioteke TF

O knjizi

Grokking Algoritmi veštačke inteligencije su napisani i ilustrovani kako bi se prosečnoj osobi u tehnološkoj industriji omogućilo razumevanje i implementacija algoritama veštačke inteligencije i njihova upotreba u rešavanju problema, putem upotrebe povezanih analogija, praktičnih primera i vizuelnih objašnjenja.

Ko bi trebalo da pročita ovu knjigu

Grokking Algoritmi veštačke inteligencije je namenjena programerima softvera i svima onima u industriji softvera koji žele da razotkriju koncepte i algoritme koji stoje iza veštačke inteligencije, kroz praktične primere i vizuelna objašnjenja, preko udubljivanja u teoriju i matematičke dokaze.

Knjiga je namenjena svima koji razumeju osnovne koncepte računarskog programiranja koji uključuju promenljive, tipove podataka, nizove, uslovne izraze, iteratore, klase i funkcije - dovoljno je iskustvo u bilo kom programskom jeziku; i svakom ko razume osnovne matematičke pojmove kao što su promenljive podataka, predstavljanje funkcija i crtanje podataka i funkcija na grafovima.

Zamislite da ste u avionu na visini od 10 kilometara. Avion iznenada, naizgled bez razloga, obara nos i naglo ponire prema okeanu. Ili zamislite da autopilot, protiv volje članova posade, pri uzletanju iznenada prevede avion u poniranje i sruši avion na pistu. Zvuči kao naučna fantastika? Ne, ovo se već dogodilo u ­stvarnosti. I postoji verovatnoća da se tako nešto dogodi ponovo, u doba kada se vazduhoplovna industrija sprema za novu eru putničke avijacije: avione bez pilota.

Oblast mašinskog učenja u formi u kojoj je poznata i danas postoji već dugi niz godina, ali početkom XXI vijeka doživljava značajan rast popularnosti. Ovo je dijelom uslovljeno potrebom za pronalaženje načina za obradu velikih količina podataka, ali dijelom i širokom dostupnošću i jednostavnošću upotrebe alata ove namjene.
Gotovo svi algoritmi koji se danas mogu svrstati pod okvir mašinskog učenja se mogu svesti na matematičke procedure koje su postojale mnogo prije pojave računarskih sistema. Medjutim, u velikom broju knjiga koje takve algoritme analiziraju primarno kroz matematički aspekt, gubi se fokus na konkretnu primjenu i praktične probleme implementacije. Sa druge strane, za upotrebu nekog algoritma mašinskog učenja u današnje vrijeme gotovo da nije potrebno znati bilo šta osim njegove namjene, jer je najveći broj javno dostupnih implementacija napisan imajući u vidu samo jednostavnost pokretanja, istovremeno sakrivajući većinu detalja o suštinskim osobinama.

• Savladajte radne okvire, modele i tehnike koje omogućavaju mašinama da „uče“ iz podataka.
• Upotrebite scikit-learn za mašinsko učenje i TensorFlow za duboko učenje.
• Primenite mašinsko učenje na klasifikaciju slike, analizu sentimenta, inteligentne veb aplikacije i drugo.
• Izgradite i obučite neuronske mreže, GAN-ove i druge modele.
• Otkrijte najbolju praksu za procenu i podešavanje modela.
• Naučite da predvidite kontinuirane ciljne ishode upotrebom analize regresije.
• „Zaronite“ dublje u tekstualne podatke i podatke društvenih medija upotrebom analize sentimenta.

„Python mašinsko učenje (treće izdanje)“ je sveobuhvatan vodič za mašinsko učenje i duboko učenje upotrebom Pythona. Ova knjiga služi kao uputstvo, korak po korak, i kao referenca kojoj ćete se vraćati dok gradite sisteme mašinskog učenja. Ona uključuje jasna objašnjenja, vizuelizacije i radne primere i obuhvata detaljno sve osnovne tehnike mašinskog učenja. Dok vas neke knjige uče samo da pratite instrukcije, u ovoj knjizi za mašinsko učenje autori Raschka i Mirjalili uče vas principima mašinskog učenja, omogućavajući vam da sami izgradite modele i aplikacije. Ovo treće izdanje je ažurirano za TensorFlow 2.0 i predstavlja čitaocima njegove nove Keras API funkcije, kao i funkcije najnovijeg izdanja scikit-learna. Knjiga je takođe proširena opisom vrhunskih tehnika učenja uslovljavanjem, koje su zasnovane na dubokom učenju, a takođe su predstavljeni i GAN-ovi. Istražićemo i podoblast obrade prirodnog jezika (NLP) pod nazivom analiza sentimenta, što će vam pomoći da naučite kako da koristite algoritme mašinskog učenja za klasifikovanje dokumenata. Ova knjiga je vaš pratilac za mašinsko učenje sa Pythonom, bez obzira da li ste Python programer koji želi da nauči mašinsko učenje ili imate iskustva i želite da produbite znanje najnovijim dostignućima.

- Treće izdanje je najprodavanija, veoma popularna knjiga o Python mašinskom učenju.

- Jasna i intuitivna objašnjenja će vas uvesti duboko u teoriju i praksu Python mašinskog učenja.

- Knjiga je potpuno ažurirana i proširena da bi obuhvatila TensorFlow 2, Generative Adversarial Network modele, učenje uslovljavanjem i najbolju praksu.

Osnove veštačke inteligencije i mašinskog učenja

Naučićete:

• Razumevanje važnosti, principa i oblasti AI-e
• Implementiranje osnovnih koncepata veštačke inteligencije pomoću Pythona
• Primena koncepata regresije i klasifikacije u problemima iz stvarnog sveta
• Izvršavanje prediktivne analize upotrebom stabala odlučivanja i random foresta
• Izvršavanje klasterovanja pomoću k-means i mean shift algoritama
• Razumevanje osnova dubokog učenja pomoću praktičnih primera