Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow

A series of Deep Learning breakthroughs have boosted the whole field of machine learning over the last decade. Now that machine learning is thriving, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This practical book shows you how. By using concrete examples, minimal theory, and two production-ready Python frameworks—Scikit-Learn and TensorFlow—author Aurélien Géron helps you gain an intuitive understanding of the concepts and tools for building intelligent systems. You’ll learn how to use a range of techniques, starting with simple Linear Regression and progressing to Deep Neural Networks. If you have some programming experience and you’re ready to code a machine learning project, this guide is for you. This hands-on book shows you how to use: Scikit-Learn, an accessible framework that implements many algorithms efficiently and serves as a great machine learning entry point TensorFlow, a more complex library for distributed numerical computation, ideal for training and running very large neural networks Practical code examples that you can apply without learning excessive machine learning theory or algorithm details Conceitos, ferramentas e técnicas para a construção de sistemas inteligentes. Com uma série de recentes avanços, o aprendizado profundo impulsionou todo o campo do aprendizado de máquina. Agora, mesmo os programadores que pouco sabem sobre esta tecnologia podem utilizar ferramentas simples e eficientes para implementar programas capazes de aprender com dados. Este livro prático mostra como fazê-lo. Utilizando exemplos concretos, uma teoria mínima e duas estruturas python prontas para produção - scikit-learn e tensorflow - o autor aurélien géron ajuda você a adquirir uma compreensão intuitiva dos conceitos e ferramentas para a construção de sistemas inteligentes. Você aprenderá uma variedade de técnicas, começando com uma regressão linear simples e progredindo para redes neurais profundas. Com exercícios em cada capítulo para ajudá-lo a aplicar o que aprendeu, você só precisa ter experiência em programação para começar. - explore o cenário do aprendizado de máquina, especialmente as redes neurais - utilize o scikit-learn para acompanhar um exemplo de projeto de aprendizado de máquina de ponta a ponta - examine vários modelos de treinamento, incluindo máquinas de vetor de suporte, árvores de decisão, florestas aleatórias e métodos de ensemble - use a biblioteca tensorflow para construir e treinar redes neurais - mergulhe em arquiteturas de rede neural, incluindo redes convolutivas, redes recorrentes e aprendizado por reforço profundo - aprenda técnicas para treinamento e dimensionamento de redes neurais profundas - aplique exemplos práticos de código sem recorrer a teorias excessivas ou detalhes de algoritmo do aprendizado de máquinas