Aurélien Géron

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 teoria minima y frameworks de Python listos para la produccion (Scikit Learn, Keras y TensorFlow) para ayudarte a obtener una comprension intuitiva de los conceptos y herramientas para crear sistemas inteligentes.Con esta tercera edicion actualizada, el autor Aurelien Geron explora una variedad de tecnicas que van desde una regresion lineal simple a redes neuronales profundas. Hay ejemplos de codigo y ejercicios por todo el libro para ayudarte a aplicar lo que has aprendido, lo unico que necesitas para empezar es experiencia en programacion:* Utiliza Scikit-Learn para hacer un seguimiento de un proyecto de machine learning de ejemplo de principio a fin.* Explora varios modelos, incluyendo maquinas de vectores soporte, arboles de decision, random forests y metodos de ensamblaje.* Aprovecha tecnicas de aprendizaje no supervisado, como la reduccion de dimensionalidad, el agrupamiento y la deteccion de anomalias.* Sumergete en arquitecturas de redes neuronales, incluyendo redes convolucionales, redes recurrentes, redes generativas antagonicas, autocodificadores, modelos de difusion y transformadores.* Utiliza TensorFlow y Keras para crear y entrenar redes neuronales para vision por ordenador, procesamiento del lenguaje natural, modelos generativos y aprendizaje profundo por refuerzo.

Gracias a varios logros innovadores, eldeep learning ha dado un gran impulso a todo el campo delmachine 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.La edicion actualizada de estebest seller utiliza ejemplos concretos, una teoria minima yframeworks de Python listos para la produccion para ayudarte a obtener una comprension intuitiva de los conceptos y herramientas para crear sistemas inteligentes.Aprenderas varias tecnicas que podras usar enseguida.Con ejercicios en cada capitulo para ayudarte a aplicar lo que has aprendido, lo unico que necesitas para empezar es experiencia en programacion. Todo el codigo esta disponible en GitHub. Se ha actualizado a TensorFlow 2 y la version mas reciente de Scikit-Learn.Gracias a varios logros innovadores, eldeep learning ha dado un gran impulso a todo el campo delmachine 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.La edicion actualizada de estebest seller utiliza ejemplos concretos, una teoria minima yfram...

Lobjectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grace a de nombreux exemples de code accessibles en ligne, comment les mettre en pratique.La 3e edition de cet ouvrage de reference, tres remaniee, tient compte des recentes avancees. Construire et entrainer de nombreuses architectures de reseaux de neurones pour classification et regression a laide de Keras et TensorFlow 2. Decouvrir les mecanismes dattention, les grands modeles de langage (LLM) tels que GPT-4, les reseaux antagonistes generatifs (GAN), les modeles de diffusion tels que DALL-E 2, la detection dobjets, la segmentation semantique, etc. Explorer Keras, lAPI officielle de haut niveau pour TensorFlow 2, desormais compatible egalement avec PyTorch et JAX. Entrainer de grands modeles a laide de TF Data, de lAPI de strategies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliotheque Transformers de Hugging Face. Passer a lechelle superieure sur la plateforme Google Vertex AI, ou deployer sur des appareils mobiles. Creer des agents dapprentissage autonomes avec lapprentissage par renforcement profond. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter a ladresse suivante : https://github.com/ageron/handson-ml3

L’apprentissage automatique (Machine Learning) est aujourd’hui en pleine explosion. Mais de quoi s’agit-il exactement, et comment pouvez-vous le mettre en oeuvre dans vos propres projets ?La 3e éditi

Cet ouvrage, conçu pour tous ceux qui souhaitent sinitier au Deep Learning (apprentissage profond) est la traduction de la deuxième partie du best-seller américain Hands-On Machine Learning with S

Le WiFi (Wireless Fidelity)permet de raccorder ordinateurs et périphériques à un réseau par lintermédiaire dune simple liaison radio. Cette technologie est maintenant très répandue, tant chez les par

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 teoria minima y frameworks de Python listos para la produccion (Scikit Learn, Keras y TensorFlow) para ayudarte a obtener una comprension intuitiva de los conceptos y herramientas para crear sistemas inteligentes.Con esta tercera edicion actualizada, el autor Aurelien Geron explora una variedad de tecnicas que van desde una regresion lineal simple a redes neuronales profundas. Hay ejemplos de codigo y ejercicios por todo el libro para ayudarte a aplicar lo que has aprendido, lo unico que necesitas para empezar es experiencia en programacion:* Utiliza Scikit-Learn para hacer un seguimiento de un proyecto de machine learning de ejemplo de principio a fin.* Explora varios modelos, incluyendo maquinas de vectores soporte, arboles de decision, random forests y metodos de ensamblaje.* Aprovecha tecnicas de aprendizaje no supervisado, como la reduccion de dimensionalidad, el agrupamiento y la deteccion de anomalias.* Sumergete en arquitecturas de redes neuronales, incluyendo redes convolucionales, redes recurrentes, redes generativas antagonicas, autocodificadores, modelos de difusion y transformadores.* Utiliza TensorFlow y Keras para crear y entrenar redes neuronales para vision por ordenador, procesamiento del lenguaje natural, modelos generativos y aprendizaje profundo por refuerzo.

Through a recent series of breakthroughs, deep learning has boosted the entire field of machine learning. Now, even programmers who know close to nothing about this technology can use simple, efficient tools to implement programs capable of learning from data. This bestselling book uses concrete examples, minimal theory, and production-ready Python frameworks (Scikit-Learn, Keras, and TensorFlow) to help you gain an intuitive understanding of the concepts and tools for building intelligent systems.With this updated third edition, author Aurelien Geron explores a range of techniques, starting with simple linear regression and progressing to deep neural networks. Numerous code examples and exercises throughout the book help you apply what you've learned. Programming experience is all you need to get started.Use Scikit-learn to track an example ML project end to endExplore several models, including support vector machines, decision trees, random forests, and ensemble methodsExploit unsupervised learning techniques such as dimensionality reduction, clustering, and anomaly detectionDive into neural net architectures, including convolutional nets, recurrent nets, generative adversarial networks, autoencoders, diffusion models, and transformersUse TensorFlow and Keras to build and train neural nets for computer vision, natural language processing, generative models, and deep reinforcement learning