Deep Learning avec Keras et TensorFlow - 2e éd. - Mise en oeuvre et cas concrets: Mise en oeuvre et cas concrets

Name: Deep Learning avec Keras et TensorFlow - 2e éd. - Mise en oeuvre et cas concrets: Mise en oeuvre et cas concrets
Brand: Géron, Aurélien
SKU: PR-9782100790661
Price: 0.99 EUR
Availability: OutOfStock

Audience : Adulte - Haut niveau

Le Pitch

PrésentationL'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâceà de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. Cette deuxièmeédition très remaniée tient notamment compte de la nouvelle version de TensorFlow 2, outil open source très efficace pour entraîner des réseaux de neurones artificiels.Construire et former de nombreuses architectures de reseaux de neurones pour classification et regressionà l'aide de TensorFlow 2.Découvrir la détection d'objets, la segmentation sémantique, les mécanismes d'attention, les modèles de langage, les réseaux anatagonistes génératifs, etc.Explorer l'API Keras, l'API officielle de haut niveau pour TensorFlow 2.Produire des modèles TensorFlowà l'aide de TF Data, de TF Transform, de l'API de stratégies de distribution et de TF Serving.Déployer sur la plateforme Google Cloud AI ou sur des appareils mobiles.Créer des agents d'apprentissage autonomes avec le Reinforcement Learning, y compris en utilisant la bibliothèque TF-Agents.Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyterà l’adresse suivante : https://github.com/ageron/handson-ml2,SommaireLes fondamentaux du Machine Learning. Introduction aux réseaux de neurones artificiels avec Keras. Entraînement de réseaux de neurones profonds. Modèles personnalisés et entraînement avec TensorFlow. Chargement et prétraitement de données avec TensorFlow. Vision par ordinateur et réseaux de neurones convolutifs. Traitement des séries avec des RNR et des CNN. Traitement automatique du langage naturel avec les RNR et les attentions. Apprentissage de représentations et apprentissage génératif avec des autoencodeurs et des GAN. Apprentissage par renforcement. Entraînement et déploiementà grandeéchelle de modèles TensorFlow Afficher moinsAfficher plus

Détails du livre

Titre complet

Deep Learning avec Keras et TensorFlow - 2e éd. - Mise en oeuvre et cas concrets: Mise en oeuvre et cas concrets

Auteur

Editeur

Format

Grand Format

Publication

20 mai 2020

Audience

Adulte - Haut niveau

Pages

576

Taille

25 x 17.3 x 3.9 cm

Poids

1145

ISBN-13

9782100790661

Géron, Aurélien

Deep Learning avec Keras et TensorFlow - 2e éd. - Mise en oeuvre et cas concrets: Mise en oeuvre et cas concrets

Indisponible

Le Pitch

PrésentationL'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâceà de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. Cette deuxièmeédition très remaniée tient notamment compte de la nouvelle version de TensorFlow 2, outil open source très efficace pour entraîner des réseaux de neurones artificiels.Construire et former de nombreuses architectures de reseaux de neurones pour classification et regressionà l'aide de TensorFlow 2.Découvrir la détection d'objets, la segmentation sémantique, les mécanismes d'attention, les modèles de langage, les réseaux anatagonistes génératifs, etc.Explorer l'API Keras, l'API officielle de haut niveau pour TensorFlow 2.Produire des modèles TensorFlowà l'aide de TF Data, de TF Transform, de l'API de stratégies de distribution et de TF Serving.Déployer sur la plateforme Google Cloud AI ou sur des appareils mobiles.Créer des agents d'apprentissage autonomes avec le Reinforcement Learning, y compris en utilisant la bibliothèque TF-Agents.Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyterà l’adresse suivante : https://github.com/ageron/handson-ml2,SommaireLes fondamentaux du Machine Learning. Introduction aux réseaux de neurones artificiels avec Keras. Entraînement de réseaux de neurones profonds. Modèles personnalisés et entraînement avec TensorFlow. Chargement et prétraitement de données avec TensorFlow. Vision par ordinateur et réseaux de neurones convolutifs. Traitement des séries avec des RNR et des CNN. Traitement automatique du langage naturel avec les RNR et les attentions. Apprentissage de représentations et apprentissage génératif avec des autoencodeurs et des GAN. Apprentissage par renforcement. Entraînement et déploiementà grandeéchelle de modèles TensorFlow Afficher moinsAfficher plus