Apprentissage automatique avec PyTorch et Scikit-Learn : Développez des modèles d'apprentissage automatique et d'apprentissage profond avec Python

Ce livre de la série Python Machine Learning, best-seller et largement acclamée, est un guide complet de l'apprentissage automatique et profond utilisant le framework PyTorch, simple à coder.

L'achat du livre imprimé ou Kindle inclut un eBook gratuit au format PDF.

Caractéristiques principales Apprenez l'apprentissage automatique appliqué avec de solides bases théoriques. Des explications claires et intuitives vous plongent au cœur de la théorie et de la pratique de l'apprentissage automatique avec Python. Entièrement mis à jour et enrichi pour couvrir PyTorch, les transformeurs, XGBoost, les réseaux de neurones graphiques et les meilleures pratiques. Description du livre Machine Learning with PyTorch and Scikit-Learn est un guide complet de l'apprentissage automatique et profond avec PyTorch. Il sert à la fois de tutoriel étape par étape et de référence auquel vous vous référerez constamment pour construire vos systèmes d'apprentissage automatique.

Rempli d'explications claires, de visualisations et d'exemples, le livre couvre en profondeur toutes les techniques essentielles d'apprentissage automatique. Alors que certains livres ne vous apprennent qu'à suivre des instructions, avec ce livre sur l'apprentissage automatique, nous vous enseignons les principes vous permettant de construire vous-même des modèles et des applications.

Pourquoi PyTorch ?

PyTorch est la méthode pythonienne pour apprendre l'apprentissage automatique, ce qui le rend plus facile à apprendre et plus simple à coder. Ce livre explique les parties essentielles de PyTorch et comment créer des modèles en utilisant des bibliothèques populaires, telles que PyTorch Lightning et PyTorch Geometric.

Vous apprendrez également à connaître les réseaux antagonistes génératifs (GAN) pour générer de nouvelles données et à entraîner des agents intelligents avec l'apprentissage par renforcement. Enfin, cette nouvelle édition est étendue pour couvrir les dernières tendances en matière d'apprentissage profond, y compris les réseaux de neurones graphiques et les transformeurs à grande échelle utilisés pour le traitement du langage naturel (NLP).

Ce livre PyTorch est votre compagnon pour l'apprentissage automatique avec Python, que vous soyez un développeur Python débutant en apprentissage automatique ou que vous souhaitiez approfondir vos connaissances des derniers développements.

Ce que vous apprendrez Explorez les frameworks, modèles et techniques permettant aux machines d'« apprendre » à partir de données. Utilisez scikit-learn pour l'apprentissage automatique et PyTorch pour l'apprentissage profond. Entraînez des classificateurs d'apprentissage automatique sur des images, du texte, etc. Construisez et entraînez des réseaux de neurones, des transformeurs et des algorithmes de boosting. Découvrez les meilleures pratiques pour évaluer et ajuster les modèles. Prédisez les résultats cibles continus à l'aide de l'analyse de régression. Approfondissez l'exploration des données textuelles et des médias sociaux à l'aide de l'analyse des sentiments. À qui s'adresse ce livre ? Si vous avez une bonne compréhension des bases de Python et que vous souhaitez commencer à apprendre l'apprentissage automatique et l'apprentissage profond, alors ce livre est fait pour vous. C'est une ressource essentielle écrite pour les développeurs et les data scientists qui veulent créer des applications pratiques d'apprentissage automatique et d'apprentissage profond en utilisant scikit-learn et PyTorch.

Avant de commencer ce livre, vous aurez besoin d'une bonne compréhension du calcul, ainsi que de l'algèbre linéaire.

Table des matières Donner aux ordinateurs la capacité d'apprendre à partir des données Entraîner des algorithmes d'apprentissage automatique simples pour la classification Un tour d'horizon des classificateurs d'apprentissage automatique utilisant Scikit-Learn Construire de bons ensembles de données d'entraînement – Prétraitement des données Compresser les données via la réduction de dimensionnalité Apprendre les meilleures pratiques pour l'évaluation de modèles et l'optimisation des hyperparamètres Combiner différents modèles pour l'apprentissage par ensemble Appliquer l'apprentissage automatique à l'analyse des sentiments Prédire des variables cibles continues avec l'analyse de régression Travailler avec des données non étiquetées – Analyse de regroupement Implémenter un réseau de neurones artificiels multicouches à partir de zéro (N.B. Veuillez utiliser l'option Aperçu pour consulter les chapitres suivants)