O'REILLY Fundamentals of Data Engineering AI-Assisted Programming Generative Deep Learning Hands-On Machine Learning AI

#AI-Assisted Programming #Fundamentals of Data Engineering #GenerativeDeepLearning #สอนAIวาดเขียนแต่เพลงและเล่นเกม 🔺#Hands-On #MachineLearning with #Scikit-Learn, #Keras & #TensorFlow D. #DesigningMachineLearningSystems บทที่ 1 ภาพรวมของระบบแมชชีนเลิร์นนิ่ง บทที่ 2 การออกแบบระบบแมชชีนเลิร์นนิ่งเบื้องต้น บทที่ 3 ความรู้พื้นฐานด้านวิศวกรรมข้อมูล บทที่ 4 ข้อมูลสำหรับการฝึก บทที่ 5 งานวิศวกรรมฟีเจอร์ บทที่ 6 การพัฒนาโมเดลและประเมินผลแบบออฟไลน์ บทที่ 7 การปรับใช้โมเดลและการให้บริการ บทที่ 8 การเปลี่ยนแปลงการแจกแจงข้อมูลและการเฝ้าติดตาม บทที่ 9 การเรียนรู้ต่อเนื่องและการทดสอบขณะใช้งาน บทที่ 10 โครงสร้างพื้นฐานและเครื่องมือสำหรับ MLOps บทที่ 11 ML กับด้านที่เกี่ยวข้องกับมนุษย์ #AIandMachineLearningforCoders ส่วนที่ 1 การสร้างโมเดล - บทที่ 1 ความรู้เบื้องต้นเกี่ยวกับ TensorFlow - บทที่ 2 ความรู้เบื้องต้นเกี่ยวกับคอมพิวเตอร์วิชัน - บทที่ 3 ก้าวไปอีกขั้น : ตรวจจับคุณลักษณะในรูปภาพ - บทที่ 4 ดาต้าเซตพร้อมใช้จาก TensorFlow Datasets - บทที่ 5 ความรู้เบื้องต้นเกี่ยวกับการประมวลผลภาษาธรรมชาติ ฯลฯ ส่วนที่ 2 การใช้งานโมเดล - บทที่ 12 รู้จักกับ TensorFlow Lite - บทที่ 13 การใช้ TensorFlow Lite ในแอป Android - บทที่ 14 การใช้ TensorFlow Lite ในแอป iOS - บทที่ 15 ความรู้เบื้องต้นเกี่ยวกับ TensorFlow.js - บทที่ 16 เทคนิคสร้างคอมพิวเตอร์วิชัน ด้วย TensorFlow.js #การพัฒนาแอพพลิเคชัน #MachineLearning ส่วนที่ 1ค้นหาแนวทางที่ถูกต้องสำหรับ ML - บทที่ 1 จากเป้าหมายสู่การกำหนดกรอบของ ML - บทที่ 2 การสร้างแผนงาน ส่วนที่ 2 สร้างลำดับการทำงาน - บทที่ 3 เริ่มสร้างไปป์ไลน์ - บทที่ 4 จัดการชุดข้อมูลเริ่มต้น ส่วนที่ 3 กระบวนการทำซ้ำกับโมเดล - บทที่ 5 การฝึกและประเมินความสามารถของโมเดล - บทที่ 6 แก้ไขปัญหา ML ของคุณ - บทที่ 7 การใช้ตัวจำแนกสำหรับให้คำแนะนำในการเขียน ส่วนที่ 4 การนำไปใช้และตรวจดูการทำงาน - บทที่ 8 ข้อควรพิจารณาเมื่อนำโมเดลไปใช้งาน - บทที่ 9 ทางเลือกในการนำโมเดลไปใช้งาน - บทที่ 10 สร้างมาตราการป้องกันให้โมเดล - ฯลฯ #เรียนรู้หลักการ #DataScienceด้วย #Python การเรียน Data Science ไม่ใช่แค่ใช้เครื่องมือหรือไลบรารีเป็น แต่ยังต้องเข้าใจถึงหลักการเบื้องหลังการทำงานด้วย ผู้เขียน Joel Grus ราคา 350 เนื้อหาโดยสังเขป การเรียน Data Science ไม่ใช่แค่ใช้เครื่องมือหรือไลบรารีเป็น แต่ยังต้องเข้าใจถึงหลักการเบื้องหลังการทำงานด้วย... หนังสือเล่มนี้จะสอนให้ให้คุณรู้ถึงตัวเครื่องมือและอัลกอริธึมที่ทำงานอยู่เบื้องหลัง โดยการเขียนขึ้นด้วยภาษา Python ทั้งหมด หากคุณมีความรู้ด้านคณิตศาสตร์และการเขียนโปรแกรมบ้าง ผู้เขียนจะช่วยให้เข้าใจแกนหลักของ Data Science และเพิ่มทักษะที่จำเป็นต่อการเป็นนักวิทยาศาสตร์ข้อมูล ไม่ว่าจะเป็นเรื่อง Deep Learning และการประมวลผลภาษาธรรมชาติ พร้อมทดลองสร้างโมเดลด้านวิทยาศาสตร์ข้อมูลด้วยตัวคุณเอง สารบัญ - บทนำ - ภาษา Python ฉบับรวบรัด - แสดงข้อมูลด้วยภาพ - พีชคณิตเชิงเส้น - สถิติ - ความน่าจะเป็นสมมติฐานและการอนุมาน - การเคลื่อนลงตามความชัน - การได้มาซึ่งข้อมูล - Machine Learning - k-Nearest Neighbors - Naive Bayes ฯลฯ คำนิยม "ผู้เขียนจะพาคุณเดินทางไปสู่ความเข้าใจในมิติต่าง ๆ ที่นักวิทยาศาสตร์ข้อมูลทุกคนต้องรู้" -- Rohit Sivaprasad -- วิศวกรของ Facebook "ผมแนะนำหนังสือเล่มนี้ ให้นักวิเคราะห์และวิศวกรที่สนใจในเรื่อง Machine Learning" -- Tom Marthaler -- ผู้จัดการด้านวิศวกรรมของ Amazon "การใช้โปรแกรมอธิบายหลักการ ด้านวิทยาศาสตร์ข้อมูลไม่ใช่เรื่องง่าย ๆ แต่หนังสือเล่มนี้ทำให้ทุกสิ่งง่ายขึ้นมากเลย" -- William Cox -- วิศวกรของ Grubhub รายละเอียดหนังสือ ISBN : 9786168282038 (ปกอ่อน) 392 หน้า ขนาดรูปเล่ม : 166 x 242 x 18 มม. น้ำหนัก : 565 กรัม เนื้อในพิมพ์ : ขาวดำ ชนิดกระดาษ : กระดาษปอนด์