Wydawca: 16
Aditya Sharma, Vishwesh Ravi Shrimali, Michael Beyeler
OpenCV is an opensource library for building computer vision apps. The latest release, OpenCV 4, offers a plethora of features and platform improvements that are covered comprehensively in this up-to-date second edition.You'll start by understanding the new features and setting up OpenCV 4 to build your computer vision applications. You will explore the fundamentals of machine learning and even learn to design different algorithms that can be used for image processing. Gradually, the book will take you through supervised and unsupervised machine learning. You will gain hands-on experience using scikit-learn in Python for a variety of machine learning applications. Later chapters will focus on different machine learning algorithms, such as a decision tree, support vector machines (SVM), and Bayesian learning, and how they can be used for object detection computer vision operations. You will then delve into deep learning and ensemble learning, and discover their real-world applications, such as handwritten digit classification and gesture recognition. Finally, you’ll get to grips with the latest Intel OpenVINO for building an image processing system.By the end of this book, you will have developed the skills you need to use machine learning for building intelligent computer vision applications with OpenCV 4.
Machine Learning for OpenCV. Intelligent image processing with Python
Michael Beyeler
Machine learning is no longer just a buzzword, it is all around us: from protecting your email, to automatically tagging friends in pictures, to predicting what movies you like. Computer vision is one of today's most exciting application fields of machine learning, with Deep Learning driving innovative systems such as self-driving cars and Google’s DeepMind.OpenCV lies at the intersection of these topics, providing a comprehensive open-source library for classic as well as state-of-the-art computer vision and machine learning algorithms. In combination with Python Anaconda, you will have access to all the open-source computing libraries you could possibly ask for.Machine learning for OpenCV begins by introducing you to the essential concepts of statistical learning, such as classification and regression. Once all the basics are covered, you will start exploring various algorithms such as decision trees, support vector machines, and Bayesian networks, and learn how to combine them with other OpenCV functionality. As the book progresses, so will your machine learning skills, until you are ready to take on today's hottest topic in the field: Deep Learning.By the end of this book, you will be ready to take on your own machine learning problems, either by building on the existing source code or developing your own algorithm from scratch!
Joos Korstanje
Streaming data is the new top technology to watch out for in the field of data science and machine learning. As business needs become more demanding, many use cases require real-time analysis as well as real-time machine learning. This book will help you to get up to speed with data analytics for streaming data and focus strongly on adapting machine learning and other analytics to the case of streaming data.You will first learn about the architecture for streaming and real-time machine learning. Next, you will look at the state-of-the-art frameworks for streaming data like River. Later chapters will focus on various industrial use cases for streaming data like Online Anomaly Detection and others. As you progress, you will discover various challenges and learn how to mitigate them. In addition to this, you will learn best practices that will help you use streaming data to generate real-time insights.By the end of this book, you will have gained the confidence you need to stream data in your machine learning models.
Machine Learning for the Web. Gaining insight and intelligence from the internet with Python
Andrea Isoni
Python is a general purpose and also a comparatively easy to learn programming language. Hence it is the language of choice for data scientists to prototype, visualize, and run data analyses on small and medium-sized data sets. This is a unique book that helps bridge the gap between machine learning and web development. It focuses on the difficulties of implementing predictive analytics in web applications. We focus on the Python language, frameworks, tools, and libraries, showing you how to build a machine learning system. You will explore the core machine learning concepts and then develop and deploy the data into a web application using the Django framework. You will also learn to carry out web, document, and server mining tasks, and build recommendation engines. Later, you will explore Python’s impressive Django framework and will find out how to build a modern simple web app with machine learning features.
Ben Auffarth
The Python time-series ecosystem is huge and often quite hard to get a good grasp on, especially for time-series since there are so many new libraries and new models. This book aims to deepen your understanding of time series by providing a comprehensive overview of popular Python time-series packages and help you build better predictive systems.Machine Learning for Time-Series with Python starts by re-introducing the basics of time series and then builds your understanding of traditional autoregressive models as well as modern non-parametric models. By observing practical examples and the theory behind them, you will become confident with loading time-series datasets from any source, deep learning models like recurrent neural networks and causal convolutional network models, and gradient boosting with feature engineering.This book will also guide you in matching the right model to the right problem by explaining the theory behind several useful models. You’ll also have a look at real-world case studies covering weather, traffic, biking, and stock market data.By the end of this book, you should feel at home with effectively analyzing and applying machine learning methods to time-series.
Hyatt Saleh
As machine learning algorithms become popular, new tools that optimize these algorithms are also developed. Machine Learning Fundamentals explains you how to use the syntax of scikit-learn. You'll study the difference between supervised and unsupervised models, as well as the importance of choosing the appropriate algorithm for each dataset. You'll apply unsupervised clustering algorithms over real-world datasets, to discover patterns and profiles, and explore the process to solve an unsupervised machine learning problem.The focus of the book then shifts to supervised learning algorithms. You'll learn to implement different supervised algorithms and develop neural network structures using the scikit-learn package. You'll also learn how to perform coherent result analysis to improve the performance of the algorithm by tuning hyperparameters.By the end of this book, you will have gain all the skills required to start programming machine learning algorithms.
Machine Learning Hero. Master Data Science with Python Essentials
Cuantum Technologies LLC
This book takes you on a journey through the world of machine learning, beginning with foundational concepts such as supervised and unsupervised learning, and progressing to advanced topics like feature engineering, hyperparameter tuning, and dimensionality reduction. Each chapter blends theory with practical exercises to ensure a deep understanding of the material.The book emphasizes Python, introducing essential libraries like NumPy, Pandas, Matplotlib, and Scikit-learn, along with deep learning frameworks like TensorFlow and PyTorch. You’ll learn to preprocess data, visualize insights, and build models capable of tackling complex datasets. Hands-on coding examples and exercises reinforce concepts and help bridge the gap between knowledge and application.In the final chapters, you'll work on real-world projects like predictive analytics, clustering, and regression. These projects are designed to provide a practical context for the techniques learned and equip you with actionable skills for data science and AI roles. By the end, you'll be prepared to apply machine learning principles to solve real-world challenges with confidence.
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?