|
||
Strona główna > opis książki
• wydawnictwa polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt
• Cookies na stronie |
GŁĘBOKIE UCZENIE Z TENSORFLOW OD REGRESJI LINIOWEJ PO UCZENIE PRZEZ WZMACNIANIEBHARATH RAMSUNDAR REZA BOSAGH ZADEHwydawnictwo: HELION , rok wydania 2019, wydanie Icena netto: Głębokie uczenie z
TensorFlow Od regresji liniowej po uczenie przez wzmacnianie Uczenie maszynowe jest coraz powszechniejsze. Niemal każdego dnia stykamy się z tego rodzaju oprogramowaniem, a możliwości tworzonych systemów stale rosną. Zdobycie praktycznych umiejętności w zakresie budowy i treningu sieci neuronowych staje się dla profesjonalnych programistów koniecznością. Spośród wielu narzędzi służących do tworzenia systemów uczenia maszynowego warto zwrócić uwagę na TensorFlow - nową biblioteką udostępnioną przez Google, przeznaczoną do projektowania i wdrażania zaawansowanych architektur uczenia głębokiego. Bez wątpienia jest to narzędzie, które pozwala na wykonywanie zadań znacznie wykraczających poza standardowy zakres uczenia maszynowego. Ta książka jest przeznaczona dla praktyków, przede wszystkim programistów, architektów i naukowców, którzy chcą się nauczyć projektowania systemów uczących. Podstawowe pojęcia dotyczące uczenia maszynowego wyjaśniono tu poprzez praktyczne przykłady. Przedstawiono możliwości TensorFlow jako systemu do przeprowadzania obliczeń na tensorach. Omówiono zastosowania tej biblioteki w wielu bardzo różnych dziedzinach: do budowy systemów służących do rozpoznawania obrazów, rozumienia tekstu napisanego ręcznie przez człowieka czy przewidywania właściwości potencjalnych leków. Dzięki tej książce można bez trudu zrozumieć matematyczne podstawy systemów uczenia maszynowego, a następnie wykorzystać je podczas tworzenia profesjonalnych sieci neuronowych. W tej książce między innymi: podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow budowa prototypów i modeli z optymalizacją hiperparametrów przetwarzanie obrazów w splotowych sieciach neuronowych obsługa zbiorów danych języka naturalnego trenowanie sieci za pomocą procesorów graficznych i procesorów tensorowych Wstęp 9 1. Wprowadzenie do uczenia głębokiego 11 Uczenie maszynowe pożera informatykę 11 Podstawowe elementy uczenia głębokiego 12 W pełni połączona warstwa 13 Warstwa splotowa 13 Warstwy rekurencyjnej sieci neuronowej 14 Komórki LSTM 15 Architektury uczenia głębokiego 15 LeNet 16 AlexNet 16 ResNet 17 Automatyczne generowanie opisów 18 Neuronowe tłumaczenie maszynowe firmy Google 18 Modele jednorazowe 19 AlfaGo 21 Generatywne sieci kontradyktoryjne 22 Neuronowe maszyny Turinga 23 Środowiska uczenia głębokiego 23 Ograniczenia TensorFlow 24 Podsumowanie 25 2. Wprowadzenie do podstawowych elementów TensorFlow 27 Poznajemy tensory 27 Skalary, wektory i macierze 28 Algebra macierzy 31 Tensory 33 Tensory w fizyce 34 Dygresje matematyczne 35 Proste obliczenia w TensorFlow 36 Instalacja TensorFlow i rozpoczęcie pracy 36 Inicjalizacja stałych tensorów 37 Próbkowanie losowych tensorów 38 Dodawanie i skalowanie tensorów 39 Operacje na macierzach 39 Typy tensorów 41 Manipulacje kształtem tensora 41 Wprowadzenie do rozgłaszania 42 Programowanie imperatywne i deklaratywne 43 Grafy TensorFlow 44 Sesje TensorFlow 45 Zmienne TensorFlow 45 Podsumowanie 47 3. Regresja liniowa i logistyczna z TensorFlow 49 Przegląd matematyczny 49 Funkcje i różniczkowalność 49 Funkcje straty 51 Metoda gradientu prostego 55 Systemy automatycznego różniczkowania 57 Uczenie z TensorFlow 59 Tworzenie ćwiczebnych zbiorów danych 59 Nowe koncepcje TensorFlow 64 Uczenie modeli liniowych i logistycznych w TensorFlow 68 Regresja liniowa w TensorFlow 68 Regresja logistyczna w TensorFlow 75 Podsumowanie 80 4. W pełni połączone sieci głębokie 81 Czym jest w pełni połączona sieć głęboka? 81 "Neurony" w sieciach w pełni połączonych 83 Uczenie w pełni połączonych sieci z propagacją wsteczną 85 Twierdzenie o uniwersalnej zbieżności 86 Dlaczego głębokie sieci? 87 Szkolenie w pełni połączonych sieci neuronowych 88 Reprezentacje możliwe do uczenia 88 Aktywacje 89 Zapamiętywanie w sieciach w pełni połączonych 89 Regularyzacja 90 Szkolenie sieci w pełni połączonych 93 Implementacja w TensorFlow 93 Instalacja DeepChem 93 Zbiór danych Tox21 94 Przyjmowanie minigrup węzłów zastępczych 95 Implementacja warstwy ukrytej 95 Dodawanie porzucania do warstwy ukrytej 96 Implementacja minigrup 97 Ocena dokładności modelu 97 Korzystanie z TensorBoard do śledzenia zbieżności modeli 98 Podsumowanie 99 5. Optymalizacja hiperparametrów 101 Ewaluacja modelu i optymalizacja hiperparametrów 102 Wskaźniki, wskaźniki, wskaźniki 103 Wskaźniki klasyfikacji binarnej 103 Wskaźniki klasyfikacji wieloklasowej 106 Wskaźniki regresji 107 Algorytmy optymalizacji hiperparametrów 108 Ustalenie linii bazowej 108 Metoda spadku studenta 110 Metoda przeszukiwania siatki 111 Losowe wyszukiwanie hiperparametrów 112 Zadanie dla czytelnika 113 Podsumowanie 113 6. Splotowe sieci neuronowe 115 Wprowadzenie do architektur splotowych 116 Lokalne pola recepcyjne 116 Jądra splotowe 118 Warstwy łączące 120 Tworzenie sieci splotowych 120 Rozszerzone warstwy splotowe 121 Zastosowania sieci splotowych 122 Wykrywanie i lokalizacja obiektów 122 Segmentacja obrazu 123 Sploty grafowe 123 Generowanie obrazów przy użyciu autokoderów wariacyjnych 124 Trenowanie sieci splotowej w TensorFlow 129 Zbiór danych MNIST 129 Wczytywanie zbioru MNIST 130 Podstawowe elementy sieci splotowych w TensorFlow 132 Architektura splotowa 134 Ewaluacja trenowanych modeli 137 Zadanie dla czytelnika 139 Podsumowanie 139 7. Rekurencyjne sieci neuronowe 141 Przegląd architektur rekurencyjnych 142 Komórki rekurencyjne 144 Długa pamięć krótkoterminowa (LSTM) 144 Bramkowane jednostki rekurencyjne (GRU) 146 Zastosowania modeli rekurencyjnych 146 Generowanie danych przez sieci rekurencyjne 146 Modele seq2seq 147 Neuronowe maszyny Turinga 149 Praca z rekurencyjnymi sieciami neuronowymi w praktyce 150 Przetwarzanie korpusu językowego Penn Treebank 151 Kod przetwarzania wstępnego 152 Wczytywanie danych do TensorFlow 154 Podstawowa architektura rekurencyjna 155 Zadanie dla czytelnika 157 Podsumowanie 157 8. Uczenie przez wzmacnianie 159 Procesy decyzyjne Markowa 163 Algorytmy uczenia przez wzmacnianie 164 Q-uczenie 165 Uczenie się polityki 166 Szkolenie asynchroniczne 168 Ograniczenia uczenia przez wzmacnianie 168 Gra w kółko i krzyżyk 170 Obiektowość 170 Abstrakcyjne środowisko 171 Środowisko gry w kółko i krzyżyk 171 Abstrakcja warstwowa 174 Definiowanie grafu warstw 176 Algorytm A3C 180 Funkcja straty A3C 183 Definiowanie wątków roboczych 185 Trenowanie polityki 187 Zadanie dla czytelnika 188 Podsumowanie 189 9. Szkolenie dużych głębokich sieci 191 Specjalistyczny sprzęt dla głębokich sieci 191 Szkolenie z użyciem CPU 192 Szkolenie z użyciem GPU 193 Procesory tensorowe 194 Bezpośrednio programowalne macierze bramek 195 Układy neuromorficzne 196 Rozproszone szkolenie głębokich sieci 197 Równoległość danych 197 Równoległość modeli 198 Szkolenie na równoległych danych z użyciem wielu układów GPU na zbiorze CIFAR10 199 Pobieranie i wczytywanie danych 201 Głębokie zanurzenie w architekturę 202 Szkolenie na wielu układach GPU 204 Zadanie dla czytelnika 206 Podsumowanie 207 10. Przyszłość głębokiego uczenia 209 Głębokie uczenie poza branżą techniczną 209 Głębokie uczenie w przemyśle farmaceutycznym 210 Głębokie uczenie w prawie 211 Głębokie uczenie w robotyce 211 Głębokie uczenie w rolnictwie 212 Etyczne wykorzystanie głębokiego uczenia 212 Czy uniwersalna sztuczna inteligencja jest nieuchronna? 214 Co dalej? 214 Skorowidz 216 224 stron, Format: 17.0x24.0cm, oprawa miękka Osoby kupujące tę książkę wybierały także:
Po otrzymaniu zamówienia poinformujemy, |
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
- 
-