Uczenie maszynowe

Uczenie maszynowe (ang. machine learning) zajmuje się teorią i praktycznym zastosowaniem algorytmów analizujących dane — stanowi najciekawszą dziedzinę informatyki. Żyjemy w czasach przetwarzania olbrzymiej ilości informacji; za pomocą samouczących się algorytmów będących częścią uczenia maszynowego informacje te są przekształcane w rzeczywistą wiedzę. Dzięki licznym i potężnym bibliotekom o jawnym kodzie źródłowym, które powstały w ostatnich latach, prawdopodobnie teraz jest najlepszy czas, aby zainteresować się uczeniem maszynowym i nauczyć się wykorzystywać potężne algorytmy do wykrywania wzorców w przetwarzanych danych oraz prognozować przyszłe zdarzenia. Przykładami zastosowania Machine Learning są np. mechanizmy wyszukiwarek internetowych, GPS, autokorekta w edytorze tekstu czy boty w komunikatorach. Jedną z dziedzin uczenia maszynowego jest deep learning, podczas którego komputer uczy się procesów naturalnych dla ludzkiego mózgu (tworzy sieci neuronowe). Technologia ta jest wykorzystywana np. przy identyfikacji głosu i obrazów.

siatka lista

Python Natural Language Processing Cookbook. Over 60 recipes for building powerful NLP solutions using Python and LLM libraries - Second Edition

Zhenya Antić, Saurabh Chakravarty, Edward A. Fox

Python Reinforcement Learning Projects. Eight hands-on projects exploring reinforcement learning algorithms using TensorFlow

Sean Saito, Yang Wenzhuo, Rajalingappaa Shanmugamani

Python. Uczenie maszynowe

Sebastian Raschka

Python. Uczenie maszynowe. Wydanie II

Sebastian Raschka, Vahid Mirjalili

Python w uczeniu maszynowym

Matthew Kirk

PyTorch Deep Learning Hands-On. Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily

Sherin Thomas, Sudhanshu Passi

Quantum Machine Learning and Optimisation in Finance. On the Road to Quantum Advantage

Antoine Jacquier, Oleksiy Kondratyev, Alexander Lipton, Marcos...

R Deep Learning Cookbook. Solve complex neural net problems with TensorFlow, H2O and MXNet

PKS Prakash, Achyutuni Sri Krishna Rao

R Deep Learning Essentials. A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet - Second Edition

Mark Hodnett, Joshua F. Wiley

R Deep Learning Projects. Master the techniques to design and develop neural network models in R

Yuxi (Hayden) Liu, Pablo Maldonado

R Machine Learning Essentials. Gain quick access to the machine learning concepts and practical applications using the R development environment

Michele Usuelli

R Machine Learning Projects. Implement supervised, unsupervised, and reinforcement learning techniques using R 3.5

Dr. Sunil Kumar Chinnamgari

R Programming Fundamentals. Deal with data using various modeling techniques

Kaelen Medeiros

Recurrent Neural Networks with Python Quick Start Guide. Sequential learning and language modeling with TensorFlow

Simeon Kostadinov

Reinforcement Learning with TensorFlow. A beginner's guide to designing self-learning systems with TensorFlow and OpenAI Gym

Sayon Dutta

Reproducible Data Science with Pachyderm. Learn how to build version-controlled, end-to-end data pipelines using Pachyderm 2.0

Svetlana Karslioglu