如今，大多數數據科學家和工程師都依賴有質量標記的數據來訓練機器學習模型。但是，手工構建訓練集既耗時又昂貴，導致許多公司的ML項目尚未完成。還有一個更實際的方法。在這本書中，Wee Hyong Tok, Amit Bahree和Senja Filipi向您展示了如何使用弱監督學習模型創建產品。
您將學習如何使用來自Snorkel的弱標記數據集構建自然語言處理和計算機視覺項目，Snorkel是斯坦福人工智能實驗室的一個副產品。因為許多公司一直在進行ML項目，但從來沒有超越他們的實驗室，所以這本書還提供了如何交付您所構建的深度學習模型的指南。
//www.oreilly.com/library/view/practical-weak-supervision/9781492077053/
了解監督缺乏的領域，包括如何將其作為數據科學過程的一部分 使用Snorkel AI進行弱監督和數據編程 獲取使用Snorkel標記文本和圖像數據集的代碼示例 使用弱標記數據集對文本和圖像進行分類 學習將Snorkel與大數據集一起使用以及使用Spark集群來擴展標簽的實際注意事項
- 第1章提供了弱監督領域的基本介紹，以及數據科學家和機器學習工程師如何將其用作數據科學過程的一部分。
- 第2章討論了如何開始使用Snorkel進行弱監督，并介紹了使用Snorkel進行數據編程的概念。
- 第3章描述了如何使用Snorkel進行標簽，并提供了如何使用Snorkel對文本和圖像數據集進行標簽的代碼示例。
- 第4章和第5章作為本書的一部分，使實踐者對如何使用弱標記數據集進行文本和圖像分類有一個端到端的理解。
- 第6章討論了在使用Snorkel和大數據集時的實際考慮，以及如何使用Spark集群來擴展標記。
付費5元查看完整內容
相關內容
弱監督學習：監督學習的一種。大致分3類，第一類是不完全監督（incomplete supervision），即，只有訓練集的一個（通常很小的）子集是有標簽的，其他數據則沒有標簽。這種情況發生在各類任務中。例如，在圖像分類任務中，真值標簽由人類標注者給出的。從互聯網上獲取巨量圖片很容易，然而考慮到標記的人工成本，只有一個小子集的圖像能夠被標注。第二類是不確切監督（inexact supervision），即，圖像只有粗粒度的標簽。第三種是不準確的監督（inaccurate supervision），模型給出的標簽不總是真值。出現這種情況的常見原因有，圖片標注者不小心或比較疲倦，或者某些圖片就是難以分類。
通過調整預訓練的機器學習模型來解決特殊問題，在時間內建立自定義NLP模型。
在自然語言處理遷移學習中，您將學習:
- 用新的領域數據對預訓練的模型進行微調
- 選擇正確的模型來減少資源的使用
- 用于神經網絡結構的遷移學習
- 生成文本與生成預先訓練的Transformers
- BERT跨語言遷移學習
- 探索自然語言處理學術文獻的基礎
//www.manning.com/books/transfer-learning-for-natural-language-processing
從頭開始訓練深度學習NLP模型是昂貴的、耗時的，并且需要大量的數據。在自然語言處理的遷移學習中，DARPA研究員Paul Azunre揭示了前沿的遷移學習技術，可以將可定制的預訓練模型應用到您自己的NLP架構中。您將學習如何使用遷移學習為語言理解提供最先進的結果，即使使用有限的標簽數據。最重要的是，您將節省訓練時間和計算成本。
關于本書：
自然語言處理遷移學習教你通過構建現有的預訓練模型快速創建強大的NLP解決方案。這是一本非常有用的書，書中提供了一些非常清晰的概念解釋，你需要這些概念來學習轉學，同時也提供了一些實際的例子，這樣你就可以馬上練習你的新技能。隨著您的學習，您將應用最先進的遷移學習方法來創建垃圾郵件分類器、事實檢查器和更多的現實世界的應用程序。
付費5元查看完整內容
關于本書
Python 專業實踐介紹了一些概念，幾乎任何語言的軟件開發人員都可以使用這些概念來改進他們的工作。在學習了Python語言的基礎知識之后，這將是一本很棒的書。
目錄
內容介紹
Python專業實踐由4個部分共11章組成。第1部分和第2部分提供了簡短的例子和練習的討論。第3部分以前面幾章的內容為基礎，包含了各種練習。第4部分提供了學習更多知識的策略，以及閱讀本書后可以嘗試的建議。
第1部分，為什么它是重要的，為Python的崛起和為什么軟件設計是有價值的奠定了基礎。
- 第一章介紹了Python的一些近代史，以及為什么我喜歡開發Python程序。它接著解釋了軟件設計，為什么它很重要，以及它如何在你的日常工作中體現出來。
第2部分，設計基礎，涵蓋了支撐軟件設計和開發的高級概念。
-
第2章涵蓋了關注點分離，這是本書中其他幾個內容的基礎活動。
-
第3章解釋了抽象和封裝，向您展示了隱藏信息和為更復雜的邏輯提供更簡單的接口如何幫助您控制代碼。
-
第4章提示您考慮性能，涵蓋了不同的數據結構、方法和工具，以幫助您構建快速的程序。
-
第5章教你如何使用各種方法測試你的軟件，從單元測試到端到端測試。
第3部分“鎖定大型系統”將引導您使用所學的原則構建實際應用程序。
-
第6章介紹了你將在書中構建的應用程序，并提供了創建程序基礎的練習。
-
第7章涵蓋了可擴展性和靈活性的概念，并包括了向應用程序添加可擴展性的練習。
-
第8章幫助你理解類繼承，提供了應該在何時何地使用類繼承的建議。本文繼續介紹檢查正在構建的應用程序中的繼承的練習。
-
第9章稍退一步，介紹了一些工具和一種方法，可以防止代碼在執行過程中變得太大。
-
第10章解釋了松耦合，提供了一些最終練習來減少您正在構建的應用程序中的耦合。
第4部分，接下來是什么?給你一些建議，告訴你接下來該怎么學，學什么。
- 第11章向您展示了我如何規劃新的學習材料，如果您對深入軟件開發感興趣的話，還提供了一些可以嘗試的學習領域。
付費5元查看完整內容
《微前端實戰》教你如何將微前端沿理論付諸實踐。Frontend專家Michael Geers將向您介紹一個完整的電子商務示例應用程序，該應用程序演示了大型業務應用程序如何采用微前端方法。您將了解集成web應用程序組成的小片段使用工具,如web組件或服務器端包括如何解決組織微前端的挑戰,以及如何創建一個設計系統,確保最終用戶為應用程序得到一個一致的外觀和感覺。當您完成時，您將能夠更好地分配您的團隊的技能和資源，以快速和靈活地交付高質量的軟件。
里面有什么
- 使用iframe、AJAX、服務器端包含、web組件和應用程序-shell方法應用集成策略
- 優化性能和資產交付策略
- 設計一致的用戶界面
- 遷移到一個微frontend架構
付費5元查看完整內容
Elm不僅僅是一種前沿的編程語言，它還為開發人員提供了一個升級構建web應用程序的方式的機會。
Elm in Action教會讀者如何使用Elm語言構建設計良好、性能良好的web應用程序。在閱讀過程中，他們將學習一個名為Photo Groove的應用程序，該程序將向他們展示如何構建應用程序的域和行為，如何維護一個令人愉快的模塊化架構，以及如何使用Elm語言交付高質量的產品。
付費5元查看完整內容
內容簡介這本書的前四章集中在足夠的理論和基礎，給你，實踐者，為這本書剩下的部分一個工作的基礎。最后五章將從這些概念出發，帶領您通過一系列使用DL4J進行深度學習的實踐路徑。
- 建立深度網絡
- 高級調優技術
- 矢量化不同的數據類型
- 運行深度學習工作流程的Spark
在本書中，我們交替使用DL4J和Deeplearning4j這兩個名稱。這兩個術語都指的是Deeplearning4j庫中的工具套件。
我們以這種方式設計這本書，因為我們覺得有必要讓這本書既包含足夠的理論，又足夠的實際，以構建生產級的深度學習工作流。我們認為，這種混合方法的書的覆蓋面適合這個空間。
第一章回顧了機器學習的一般概念，特別是深度學習，讓讀者快速了解了解本書其余部分所需要的基礎知識。我們增加了這一章，因為許多初學者可以使用這些概念的復習或入門，我們想讓盡可能多的讀者可以訪問這個項目。
第2章以第1章的概念為基礎，并為您提供了神經網絡的基礎。它在很大程度上是神經網絡理論的一個章節，但是我們的目標是用一種可訪問的方式來呈現信息。
第三章在前兩章的基礎上更進一步，讓你了解網絡是如何從神經網絡的基本原理發展而來的。
第四章介紹了深層網絡的四種主要架構，并為本書的其余部分提供了基礎。
在第5章中，我們將使用前半部分中的技術，帶您瀏覽一些Java代碼示例。
第6章和第7章討論了調優一般神經網絡的基本原理，然后討論了如何調優深度網絡的特定架構。這些章節是平臺無關的，將適用于任何深度學習庫的實踐。
第8章是對矢量化技術和如何使用DataVec (DL4J的ETL和矢量化工作流工具)的基礎知識的回顧。
第9章總結了該書的主體部分，回顧了如何在Spark和Hadoop上本地使用DL4J，并舉例說明了可以在自己的Spark集群上運行的三個實際示例。
這本書有許多附錄章節的主題是相關的，但不適合直接放在主要章節。主題包括:
- 人工智能
- 在DL4J項目中使用Maven
- 使用GPU
- 使用ND4J API
- 更多
部分截圖：
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191