<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Боскетти Альберто (соавтор), Шарден Бастиан, Массарон Лука (соавтор), Логунов А. (переводчик) &#8212; Knigausa Bookstore: Russian Books</title>
	<atom:link href="https://knigausa.com/%D0%B0%D0%B2%D1%82%D0%BE%D1%80/%D0%B1%D0%BE%D1%81%D0%BA%D0%B5%D1%82%D1%82%D0%B8-%D0%B0%D0%BB%D1%8C%D0%B1%D0%B5%D1%80%D1%82%D0%BE-%D1%81%D0%BE%D0%B0%D0%B2%D1%82%D0%BE%D1%80-%D1%88%D0%B0%D1%80%D0%B4%D0%B5%D0%BD-%D0%B1%D0%B0%D1%81/feed/" rel="self" type="application/rss+xml" />
	<link>https://knigausa.com</link>
	<description>Just another WordPress site</description>
	<lastBuildDate>Sun, 19 Jan 2025 07:28:09 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.7.4</generator>
	<item>
		<title>Крупномасштабное машинное обучение вместе с Python : учитесь быстро создавать мощные модели машинного обучения и развертывать крупномасштабные приложения прогнозирования</title>
		<link>https://knigausa.com/product/%d0%ba%d1%80%d1%83%d0%bf%d0%bd%d0%be%d0%bc%d0%b0%d1%81%d1%88%d1%82%d0%b0%d0%b1%d0%bd%d0%be%d0%b5-%d0%bc%d0%b0%d1%88%d0%b8%d0%bd%d0%bd%d0%be%d0%b5-%d0%be%d0%b1%d1%83%d1%87%d0%b5%d0%bd%d0%b8%d0%b5/</link>
		
		<dc:creator><![CDATA[]]></dc:creator>
		<pubDate>Tue, 20 Sep 2022 13:33:02 +0000</pubDate>
				<guid isPermaLink="false">https://knigausa.com/product/%d0%ba%d1%80%d1%83%d0%bf%d0%bd%d0%be%d0%bc%d0%b0%d1%81%d1%88%d1%82%d0%b0%d0%b1%d0%bd%d0%be%d0%b5-%d0%bc%d0%b0%d1%88%d0%b8%d0%bd%d0%bd%d0%be%d0%b5-%d0%be%d0%b1%d1%83%d1%87%d0%b5%d0%bd%d0%b8%d0%b5-2/</guid>

					<description><![CDATA[Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python.]]></description>
										<content:encoded><![CDATA[<p>С распространением больших данных растет спрос на вычислительную и алгоритмическую эффективность. Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python. С этой книгой вы научитесь: • применять большинство масштабируемых алгоритмов машинного обучения; • работать с новейшими крупномасштабными методами машинного обучения; • увеличивать прогнозную точность при помощи методов глубокого обучения и масштабируемых методов обработки данных; • работать с вычислительной парадигмой Map-Reduce в платформе Spark; • применять эффективные алгоритмы машинного обучения на основе платформ Spark и Hadoop; • создавать мощные ансамбли в крупном масштабе; • использовать потоки данных для обучения линейных и нелинейных прогнозных моделей на чрезвычайно больших наборах данных, используя всего одну машину.</p>
]]></content:encoded>
					
		
		
		<post-id xmlns="com-wordpress:feed-additions:1">403859</post-id>	</item>
	</channel>
</rss>
