Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow. Tercera Edición

Name: Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow. Tercera Edición
Availability: InStock
ISBN: 9788441548282

Por Géron, Aurélien

Publicado por ANAYA MULTIMEDIA

Spanish 831 páginas 2023 ISBN 9788441548282

PDF

Buy at LORANCHBOOKSTORE 🇺🇸

Disponível em 17 livrarias

Bajalibros Latam 🇺🇸 Visitar loja →

LORANCHBOOKSTORE 🇺🇸 Visitar loja →

Libros Patagonia 🇨🇱 Visitar loja →

Librería El Hombre de la Mancha 🇵🇦 Visitar loja →

Librería Palito 🇦🇷 Visitar loja →

Viubux 🇲🇽 Visitar loja →

Ebooks Happy Books 🇨🇴 Visitar loja →

ebooks libreria española 🇪🇨 Visitar loja →

Bajalibros España 🇪🇸 Visitar loja →

Bajalibros Argentina 🇦🇷 Visitar loja →

Bajalibros México 🇲🇽 Visitar loja →

Bajalibros Colombia 🇨🇴 Visitar loja →

ebooks Libreria del GAM 🇨🇱 Visitar loja →

Bookshop Uruguay 🇺🇾 Visitar loja →

ebookslibelista 🇪🇸 Visitar loja →

Ebooks Yenny - El Ateneo 🇦🇷 Visitar loja →

Crisol Ebooks 🇵🇪 Visitar loja →

Sobre este livro

Gracias a varios logros innovadores, el deep learning ha dado un gran impulso a todo el campo del machine learning. Ahora, incluso programadores que no saben casi nada de esta tecnología pueden usar herramientas sencillas y eficaces para implementar programas capaces de aprender a partir de datos. Este best seller utiliza ejemplos concretos, una teoría mínima y frameworks de Python listos para la producción (Scikit Learn, Keras y TensorFlow) para ayudarte a obtener una comprensión intuitiva de los conceptos y herramientas para crear sistemas inteligentes. Con esta tercera edición actualizada, el autor Aurélien Géron explora una variedad de técnicas que van desde una regresión lineal simple a redes neuronales profundas. Hay ejemplos de código y ejercicios por todo el libro para ayudarte a aplicar lo que has aprendido, lo único que necesitas para empezar es experiencia en programación: * Utiliza Scikit-Learn para hacer un seguimiento de un proyecto de machine learning de ejemplo de principio a fin. * Explora varios modelos, incluyendo máquinas de vectores soporte, árboles de decisión, random forests y métodos de ensamblaje. * Aprovecha técnicas de aprendizaje no supervisado, como la reducción de dimensionalidad, el agrupamiento y la detección de anomalías. * Sumérgete en arquitecturas de redes neuronales, incluyendo redes convolucionales, redes recurrentes, redes generativas antagónicas, autocodificadores, modelos de difusión y transformadores. * Utiliza TensorFlow y Keras para crear y entrenar redes neuronales para visión por ordenador, procesamiento del lenguaje natural, modelos generativos y aprendizaje profundo por refuerzo.