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