Name: Tensorflow 2 Pocket Reference: Building and Deploying Machine Learning Models (en Inglés)
Price: 32430.00 CLP
Availability: InStock
Author: Tung, Kc
ISBN: 9781492089186

portada Tensorflow 2 Pocket Reference: Building and Deploying Machine Learning Models (en Inglés)

Formato

Libro Físico

Autor

Kc Tung

Editorial

O'Reilly Media

Año

2021

Idioma

Inglés

N° páginas

253

Encuadernación

Tapa Blanda

Dimensiones

17.8 x 10.8 x 1.4 cm

Peso

0.19 kg.

ISBN13

9781492089186

N° edición

Categorías

Lenguaje natural y traducción automática
Machine learning: aprendizaje automático
Reconocimiento de formas
Visión por ordenador

Tensorflow 2 Pocket Reference: Building and Deploying Machine Learning Models (en Inglés)

Kc Tung (Autor) · O'Reilly Media · Tapa Blanda

Libro Nuevo

$ 32.430

$ 54.050

Ahorras: $ 21.620

40% descuento

Envío normal

Origen: Reino Unido (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Lunes 29 de Abril y el Viernes 03 de Mayo.

Lo recibirás en cualquier lugar de Chile entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Tensorflow 2 Pocket Reference: Building and Deploying Machine Learning Models (en Inglés)"

This easy-to-use reference for TensorFlow 2 design patterns in Python will help you make informed decisions for various use cases. Author KC Tung addresses common topics and tasks in enterprise data science and machine learning practices rather than focusing on TensorFlow itself. When and why would you feed training data as using NumPy or a streaming dataset? How would you set up cross-validations in the training process? How do you leverage a pretrained model using transfer learning? How do you perform hyperparameter tuning? Pick up this pocket reference and reduce the time you spend searching through options for your TensorFlow use cases. Understand best practices in TensorFlow model patterns and ML workflows Use code snippets as templates in building TensorFlow models and workflows Save development time by integrating prebuilt models in TensorFlow Hub Make informed design choices about data ingestion, training paradigms, model saving, and inferencing Address common scenarios such as model design style, data ingestion workflow, model training, and tuning