Título : | Python machine learning : aprendizaje automático y aprendizaje profundo con Python, scikit - learn y TensorFlow | Tipo de documento: | texto impreso | Autores: | Sebastián Raschka, Autor ; Vahid Mirjalili, Autor ; Sonia Llena, Traductor | Mención de edición: | Segunda edición | Editorial: | Barcelona : Marcombo | Fecha de publicación: | 2019 | Número de páginas: | xxii, 616 páginas | Il.: | ilustraciones, diagramas, tablas | Dimensiones: | 24 cm | ISBN/ISSN/DL: | 978-84-267-2720-6 | Nota general: | Titulo original en Ingles: Python machine learning. | Idioma : | Español Idioma original : Inglés | Clasificación: | 005.133 Lenguaje de Programación, Java, Programación C++ Orientado al Objeto | Nota de contenido: | Dar a los ordenadores el poder de aprender de los datos -- Entrenar algoritmos simples de aprendizaje automático para clasificación -- Un recorrido por ls clasificadores de aprendizaje automático con scikit - learn -- Generar buenos modelos de entrenamiento: pre procesamiento de datos -- Comprimir datos mediante la reducción de dimensionalidad -- Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperparámetros -- Combinar diferentes modelos para el aprendizaje conjunto -- Aplicar el aprendizaje automático para el análisis de sentimiento -- Incrustar un modelo de aprendizaje automático en una aplicación web -- Predicción de variables de destino continuas con análisis de regresión -- Trabajar con datos sin etiquetar: análisis de grupos -- Implementar una red neuronal artificial multicapa desde cero -- Paralización de entrenamiento de redes neuronales con tensorFlow -- Ir más lejos: la mecánica de TensorFlow -- Clasificar imágenes con redes neuronales convolucionales profundas -- Modelado de datos secuenciales mediante redes neuronales recurrentes. | Link: | http://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=107996 |
Python machine learning : aprendizaje automático y aprendizaje profundo con Python, scikit - learn y TensorFlow [texto impreso] / Sebastián Raschka, Autor ; Vahid Mirjalili, Autor ; Sonia Llena, Traductor . - Segunda edición . - Barcelona : Marcombo, 2019 . - xxii, 616 páginas : ilustraciones, diagramas, tablas ; 24 cm. ISBN : 978-84-267-2720-6 Titulo original en Ingles: Python machine learning. Idioma : Español Idioma original : Inglés Clasificación: | 005.133 Lenguaje de Programación, Java, Programación C++ Orientado al Objeto | Nota de contenido: | Dar a los ordenadores el poder de aprender de los datos -- Entrenar algoritmos simples de aprendizaje automático para clasificación -- Un recorrido por ls clasificadores de aprendizaje automático con scikit - learn -- Generar buenos modelos de entrenamiento: pre procesamiento de datos -- Comprimir datos mediante la reducción de dimensionalidad -- Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperparámetros -- Combinar diferentes modelos para el aprendizaje conjunto -- Aplicar el aprendizaje automático para el análisis de sentimiento -- Incrustar un modelo de aprendizaje automático en una aplicación web -- Predicción de variables de destino continuas con análisis de regresión -- Trabajar con datos sin etiquetar: análisis de grupos -- Implementar una red neuronal artificial multicapa desde cero -- Paralización de entrenamiento de redes neuronales con tensorFlow -- Ir más lejos: la mecánica de TensorFlow -- Clasificar imágenes con redes neuronales convolucionales profundas -- Modelado de datos secuenciales mediante redes neuronales recurrentes. | Link: | http://biblioteca.unap.edu.pe/opac_css/index.php?lvl=notice_display&id=107996 |
Python machine learning
Raschka, SebastiánMirjalili, Vahid - -
Barcelona : Marcombo - 2019
Titulo original en Ingles: Python machine learning.
Dar a los ordenadores el poder de aprender de los datos -- Entrenar algoritmos simples de aprendizaje automático para clasificación -- Un recorrido por ls clasificadores de aprendizaje automático con scikit - learn -- Generar buenos modelos de entrenamiento: pre procesamiento de datos -- Comprimir datos mediante la reducción de dimensionalidad -- Aprender las buenas prácticas para la evaluación de modelos y el ajuste de hiperparámetros -- Combinar diferentes modelos para el aprendizaje conjunto -- Aplicar el aprendizaje automático para el análisis de sentimiento -- Incrustar un modelo de aprendizaje automático en una aplicación web -- Predicción de variables de destino continuas con análisis de regresión -- Trabajar con datos sin etiquetar: análisis de grupos -- Implementar una red neuronal artificial multicapa desde cero -- Paralización de entrenamiento de redes neuronales con tensorFlow -- Ir más lejos: la mecánica de TensorFlow -- Clasificar imágenes con redes neuronales convolucionales profundas -- Modelado de datos secuenciales mediante redes neuronales recurrentes.
|
|  |