Publisher: 16
Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek
Piotr Szajowski
Obierz kurs na... machine learning! Uczenie maszynowe obejmuje techniki wykorzystywane najczęściej w obszarze określanym mianem sztucznej inteligencji — a właśnie ona jest w tej chwili jednym z głównych kierunków rozwoju technologicznego branży IT. Niesamowite jest to, że po odpowiednim przekształceniu wiele problemów praktycznych, inżynierskich czy też biznesowych można rozwiązać właśnie z użyciem uczenia maszynowego. Można dzięki niemu wyszukiwać zdjęcia, na których znajdują się te same lub podobne obiekty, klasyfikować teksty z danej dziedziny, szacować, jak potoczy się kariera absolwenta szkoły i jaki kolejny produkt klient umieści w koszyku. Rozwiązania takich problemów są źródłem budowania wartości właściwie w każdej branży, w której nastąpiła już choćby minimalna cyfryzacja. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pomoże Ci zorientować się w najważniejszych kwestiach dotyczących uczenia maszynowego i poznać techniki budowania praktycznych modeli, pozwalających swobodnie poruszać się w dużych zbiorach danych i wyłuskiwać z nich potrzebne informacje. Wgryź się w podstawy uczenia maszynowego i wykorzystaj je już dziś — ta rewolucja dzieje się naprawdę! Czego nauczysz się podczas naszego profesjonalnego szkolenia? Zainstalujesz i skonfigurujesz środowisko Anaconda. Nauczysz się korzystać z Google Colaboratory. Poznasz dobre praktyki w uczeniu maszynowym (w tym metody projektowe). Zobaczysz, jak wygląda wczytywanie danych i manipulowanie nimi za pomocą biblioteki Pandas. Wykorzystasz modele zaimplementowane w bibliotece Scikit-Learn (sklearn) do rozwiązania problemów: klasyfikacji, regresji, redukcji wymiaru, poszukiwania skupień. Zbudujesz modele sieci neuronowych w bibliotece Keras/Tensorflow (w tym modele sieci konwolucyjnych i rekurencyjnych). Sprawdzisz, jak wykorzystać biblioteki MLextend do analiz asocjacji. W kolejnych krokach opanujesz technikę transfer learningu, dokonasz optymalizacji hiperparametrów modeli i odkryjesz, jak działa konteneryzacja rozwiązań z użyciem Dockera. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek zakończysz na poziomie podstawowym, ale Twoja wiedza zwiększy się zdecydowanie. Bezpośrednio dzięki umiejętnościom zdobytym w czasie kursu będziesz potrafił zbudować takie rozwiązania jak: klasyfikator obrazów (na przykład rozpoznający, że na obrazie z kamery bezpieczeństwa pojawił się jakiś konkretny obiekt), klasyfikator tekstów (na przykład pozwalający zaklasyfikować wiadomości do odpowiedniej kategorii), model do prognozy zjawisk obserwowanych w czasie (na przykład prognozujący liczbę samochodów, które przejeżdżają dany odcinek drogi), model mierzący różne wartości liczbowe na podstawie obrazów (na przykład taki, który jest w stanie stwierdzić, jak bardzo nachylony jest obiekt znajdujący się na zdjęciu), model pozwalający wyszukiwać obiekty o podobnych cechach (na przykład zdjęcia zawierające podobne obiekty). Sztuczna inteligencja i uczenie maszynowe Sztuczna inteligencja w połączeniu z rozwojem narzędzi big data, usług chmurowych i stopniowym zwiększaniem mocy obliczeniowej nawet komputerów klasy PC coraz szybciej przekształca branżę IT. Dzięki temu, że należące do niej wielkie firmy udostępniły na zasadach open source wiele narzędzi i bibliotek, które pozwalają na szybkie i sprawne budowanie rozwiązań opartych na uczeniu maszynowym, rozwój tej dziedziny przyspiesza jeszcze bardziej. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek pozwoli Ci odkryć najważniejsze techniki uczenia maszynowego i dostosować modele do Twoich celów. Oprócz przykładów zastosowania klasyfikacji z użyciem płytkiego i głębokiego uczenia maszynowego oraz zastosowania regresji znajdziesz tu przykłady uczenia nienadzorowanego, optymalizacji hiperparametrów oraz konteneryzacji wytrenowanych modeli za pomocą Dockera. Przyjmij zaproszenie do świata AI! Trudno określić, jak będzie się rozwijać uczenie maszynowe w przyszłości, jednak pewne jest, że przynajmniej w najbliższych latach będzie to dziedzina znajdująca coraz więcej praktycznych zastosowań. Zaobserwować można postępującą „demokratyzację” uczenia maszynowego — narzędzia stają się coraz łatwiejsze w użyciu, dostępne są już wytrenowane modele, które dzięki technice transfer learningu łatwo jest zaprząc do rozwiązywania własnych problemów, a usługi chmurowe, oferujące możliwość użycia komputerów o dużej mocy obliczeniowej, mają na tyle przystępne ceny, że każda firma czy nawet osoba prywatna może sobie pozwolić na korzystanie z tych narzędzi. To wszystko powoduje, że wiele osób pragnie jak najszybciej poznać techniki związane z uczeniem maszynowym i ze sztuczną inteligencją. Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek to najlepszy wstęp do praktycznego zastosowania metod zdecydowanie ułatwiających pracę z dużymi zbiorami danych. Po tym kursie już nigdy nie będziesz musiał ręcznie szukać igły w stogu siana. Tylko dla wtajemniczonych W 2020 roku firma OpenAI udostępniła API do modelu GPT-3, którego najobszerniejsza wersja zawiera przeszło 170 miliardów parametrów (dla porównania: modele omawiane podczas szkolenia Machine learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek mają maksymalnie kilkadziesiąt milionów parametrów). Okazuje się, że tak duży model, wytrenowany na ogromnym zbiorze tekstów, zaczyna mieć już pewne cechy, których spodziewać by się można po przyszłych modelach „ogólnej sztucznej inteligencji” — potrafi rozwiązywać zadania, do których nie został bezpośrednio wytrenowany. Jego możliwości są oczywiście nadal bardzo dalekie od możliwości ludzkiego mózgu, jednakże jego potencjalne praktyczne zastosowania są przeogromne, wręcz przełomowe. Obecnie dostęp do modelu GPT-3 jest możliwy jedynie przez API udostępniane beta testerom, ale gdy tylko dostęp ten stanie się powszechny, warto poeksperymentować z tym modelem i sprawdzić jego działanie. Jak zrozumieć działanie modeli klasyfikacji w Pythonie?
Machine learning i natural language processing w programowaniu. Podręcznik z ćwiczeniami w Pythonie
Piotr Wróblewski
Wejdź na nowy poziom programowania z ML i NLP Sztuczna inteligencja stale się rozwija. Właściwie codziennie słyszymy o jej rosnących możliwościach, nowych osiągnięciach i przyszłości, jaką nam przyniesie. Jednak w tej książce skupiamy się nie na przyszłości, a na teraźniejszości i praktycznym obliczu AI - na usługach, które świadczy już dziś. Większość najciekawszych zastosowań sztucznej inteligencji bazuje na ML (uczenie maszynowe, ang. machine learning), NLP (przetwarzanie języka naturalnego, ang. natural language processing) i architekturze RAG (ang. retrieval augmented generation) zwiększającej możliwości tzw. dużych modeli językowych (LLM, ang. large language model). Stanowią one podwaliny budowy systemów AI, bez których te systemy często wcale nie mogłyby powstać. Do niedawna ML i NLP pozostawały domeną badaczy i specjalistów - znajdowały się poza zasięgiem praktyków programowania. Aktualnie jest inaczej, szybkie komputery, pojemne pamięci RAM i zaawansowane procesory pozwalają stosować te technologie w codziennej pracy programisty. Szczególnie programisty języka Python, do którego są one niemal "naturalnie" przypisane. Mało tego, od kodujących w Pythonie coraz częściej wręcz wymaga się umiejętności znajomości obszaru AI. Tym bardziej warto sięgnąć po ten podręcznik z ćwiczeniami, dzięki któremu między innymi: Dowiesz się, jak używać Pythona do rozwiązywania problemów AI Poznasz tajniki analizy tekstów, analizy sentymentu Zrozumiesz, jak skutecznie używać algorytmów klasyfikacji, regresji i grupowania do rozwiązywania problemów biznesowych Pokonwersujesz z ChatGPT - i to bez wchodzenia na stronę internetową tego serwisu
Saleh Alkhalifa
The booming fields of biotechnology and life sciences have seen drastic changes over the last few years. With competition growing in every corner, companies around the globe are looking to data-driven methods such as machine learning to optimize processes and reduce costs. This book helps lab scientists, engineers, and managers to develop a data scientist's mindset by taking a hands-on approach to learning about the applications of machine learning to increase productivity and efficiency in no time.You’ll start with a crash course in Python, SQL, and data science to develop and tune sophisticated models from scratch to automate processes and make predictions in the biotechnology and life sciences domain. As you advance, the book covers a number of advanced techniques in machine learning, deep learning, and natural language processing using real-world data.By the end of this machine learning book, you'll be able to build and deploy your own machine learning models to automate processes and make predictions using AWS and GCP.
AshishSingh Bhatia, Bostjan Kaluza
As the amount of data in the world continues to grow at an almost incomprehensible rate, being able to understand and process data is becoming a key differentiator for competitive organizations. Machine learning applications are everywhere, from self-driving cars, spam detection, document search, and trading strategies, to speech recognition. This makes machine learning well-suited to the present-day era of big data and Data Science. The main challenge is how to transform data into actionable knowledge.Machine Learning in Java will provide you with the techniques and tools you need. You will start by learning how to apply machine learning methods to a variety of common tasks including classification, prediction, forecasting, market basket analysis, and clustering. The code in this book works for JDK 8 and above, the code is tested on JDK 11.Moving on, you will discover how to detect anomalies and fraud, and ways to perform activity recognition, image recognition, and text analysis. By the end of the book, you will have explored related web resources and technologies that will help you take your learning to the next level.By applying the most effective machine learning methods to real-world problems, you will gain hands-on experience that will transform the way you think about data.
Mohamed Abouahmed, Omar Ahmed
With the rising need for agile development and very short time-to-market system deployments, incorporating machine learning algorithms into decoupled fine-grained microservices systems provides the perfect technology mix for modern systems. Machine Learning in Microservices is your essential guide to staying ahead of the curve in this ever-evolving world of technology.The book starts by introducing you to the concept of machine learning microservices architecture (MSA) and comparing MSA with service-based and event-driven architectures, along with how to transition into MSA. Next, you’ll learn about the different approaches to building MSA and find out how to overcome common practical challenges faced in MSA design. As you advance, you’ll get to grips with machine learning (ML) concepts and see how they can help better design and run MSA systems. Finally, the book will take you through practical examples and open source applications that will help you build and run highly efficient, agile microservices systems.By the end of this microservices book, you’ll have a clear idea of different models of microservices architecture and machine learning and be able to combine both technologies to deliver a flexible and highly scalable enterprise system.
Miroslaw Staron
Although creating a machine learning pipeline or developing a working prototype of a software system from that pipeline is easy and straightforward nowadays, the journey toward a professional software system is still extensive. This book will help you get to grips with various best practices and recipes that will help software engineers transform prototype pipelines into complete software products.The book begins by introducing the main concepts of professional software systems that leverage machine learning at their core. As you progress, you’ll explore the differences between traditional, non-ML software, and machine learning software. The initial best practices will guide you in determining the type of software you need for your product. Subsequently, you will delve into algorithms, covering their selection, development, and testing before exploring the intricacies of the infrastructure for machine learning systems by defining best practices for identifying the right data source and ensuring its quality.Towards the end, you’ll address the most challenging aspect of large-scale machine learning systems – ethics. By exploring and defining best practices for assessing ethical risks and strategies for mitigation, you will conclude the book where it all began – large-scale machine learning software.
Oliver Theobald
With an introductory overview, the course prepares you for a deep dive into the practical application of Scikit-Learn and the datasets that bring theories to life. From the basics of machine learning to the intricate details of setting up a sandbox environment, this course covers the essential groundwork for any aspiring data scientist.The course focuses on developing your skills in working with data, implementing data reduction techniques, and understanding the intricacies of item-based and user-based collaborative filtering, along with content-based filtering. These core methodologies are crucial for creating accurate and efficient recommender systems that cater to the unique preferences of users. Practical examples and evaluations further solidify your learning, making complex concepts accessible and manageable.The course wraps up by addressing the critical topics of privacy, ethics in machine learning, and the exciting future of recommender systems. This holistic approach ensures that you not only gain technical proficiency but also consider the broader implications of your work in this field. With a final look at further resources, your journey into machine learning and recommender systems is just beginning, armed with the knowledge and tools to explore new horizons.
Md Johirul Islam
Serving patterns enable data science and ML teams to bring their models to production. Most ML models are not deployed for consumers, so ML engineers need to know the critical steps for how to serve an ML model.This book will cover the whole process, from the basic concepts like stateful and stateless serving to the advantages and challenges of each. Batch, real-time, and continuous model serving techniques will also be covered in detail. Later chapters will give detailed examples of keyed prediction techniques and ensemble patterns. Valuable associated technologies like TensorFlow severing, BentoML, and RayServe will also be discussed, making sure that you have a good understanding of the most important methods and techniques in model serving. Later, you’ll cover topics such as monitoring and performance optimization, as well as strategies for managing model drift and handling updates and versioning. The book will provide practical guidance and best practices for ensuring that your model serving pipeline is robust, scalable, and reliable. Additionally, this book will explore the use of cloud-based platforms and services for model serving using AWS SageMaker with the help of detailed examples.By the end of this book, you'll be able to save and serve your model using state-of-the-art techniques.