Book description
To drugie wydanie bestsellerowego przewodnika po technikach uczenia maszynowego. Wystarczą minimalne umiejętności programistyczne, aby dzięki tej książce nauczyć się budowania i trenowania głębokiej sieci neuronowej. Zawarto tu minimum teorii, a proces nauki jest ułatwiony przez liczne przykłady i ćwiczenia. Wykorzystano gotowe rozwiązania i przedstawiono zasady pracy ze specjalistycznymi narzędziami, w tym z TensorFlow 2, najnowszą odsłoną modułu. W efekcie niepostrzeżenie przyswoisz niezbędny zasób pojęć i narzędzi służących do tworzenia systemów inteligentnych. Poznasz różnorodne techniki i zaczniesz samodzielnie ich używać. Po lekturze będziesz biegle posługiwać się najnowszymi technologiami sztucznej inteligencji!
Table of contents
- Przedmowa
- Część I Podstawy uczenia maszynowego
- Rozdział 1. Krajobraz uczenia maszynowego
- Rozdział 2. Nasz pierwszy projekt uczenia maszynowego
- Rozdział 3. Klasyfikacja
- Rozdział 4. Uczenie modeli
- Rozdział 5. Maszyny wektorów nośnych
- Rozdział 6. Drzewa decyzyjne
- Rozdział 7. Uczenie zespołowe i losowe lasy
- Rozdział 8. Redukcja wymiarowości
- Rozdział 9. Techniki uczenia nienadzorowanego
- Część II Sieci neuronowe i uczenie głębokie
-
Rozdział 10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras
- Od biologicznych do sztucznych neuronów
-
Implementowanie perceptronów wielowarstwowych za pomocą interfejsu Keras
- Instalacja modułu TensorFlow 2
- Tworzenie klasyfikatora obrazów za pomocą interfejsu sekwencyjnego
- Tworzenie regresyjnego perceptronu wielowarstwowego za pomocą interfejsu sekwencyjnego
- Tworzenie złożonych modeli za pomocą interfejsu funkcyjnego
- Tworzenie modeli dynamicznych za pomocą interfejsu podklasowego
- Zapisywanie i odczytywanie modelu
- Stosowanie wywołań zwrotnych
- Wizualizacja danych za pomocą narzędzia TensorBoard
- Dostrajanie hiperparametrów sieci neuronowej
- Ćwiczenia
- Rozdział 11. Uczenie głębokich sieci neuronowych
-
Rozdział 12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow
- Krótkie omówienie modułu TensorFlow
- Korzystanie z modułu TensorFlow jak z biblioteki NumPy
-
Dostosowywanie modeli i algorytmów uczenia
- Niestandardowe funkcje straty
- Zapisywanie i wczytywanie modeli zawierających elementy niestandardowe
- Niestandardowe funkcje aktywacji, inicjalizatory, regularyzatory i ograniczenia
- Niestandardowe wskaźniki
- Niestandardowe warstwy
- Niestandardowe modele
- Funkcje straty i wskaźniki oparte na elementach wewnętrznych modelu
- Obliczanie gradientów za pomocą różniczkowania automatycznego
- Niestandardowe pętle uczenia
- Funkcje i grafy modułu TensorFlow
- Ćwiczenia
- Rozdział 13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow
-
Rozdział 14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych
- Struktura kory wzrokowej
- Warstwy splotowe
- Warstwa łącząca
- Architektury splotowych sieci neuronowych
- Implementacja sieci ResNet-34 za pomocą interfejsu Keras
- Korzystanie z gotowych modeli w interfejsie Keras
- Gotowe modele w uczeniu transferowym
- Klasyfikowanie i lokalizowanie
- Wykrywanie obiektów
- Segmentacja semantyczna
- Ćwiczenia
- Rozdział 15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych
- Rozdział 16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi
- Rozdział 17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych
-
Rozdział 18. Uczenie przez wzmacnianie
- Uczenie się optymalizowania nagród
- Wyszukiwanie strategii
- Wprowadzenie do narzędzia OpenAI Gym
- Sieci neuronowe jako strategie
- Ocenianie czynności: problem przypisania zasługi
- Gradienty strategii
- Procesy decyzyjne Markowa
- Uczenie metodą różnic czasowych
- Q-uczenie
- Implementacja modelu Q-uczenia głębokiego
- Odmiany Q-uczenia głębokiego
-
Biblioteka TF-Agents
- Instalacja biblioteki TF-Agents
- Środowiska TF-Agents
- Specyfikacja środowiska
- Funkcje opakowujące środowisko i wstępne przetwarzanie środowiska Atari
- Architektura ucząca
- Tworzenie Q-sieci głębokiej
- Tworzenie agenta DQN
- Tworzenie bufora odtwarzania i związanego z nim obserwatora
- Tworzenie wskaźników procesu uczenia
- Tworzenie sterownika
- Tworzenie zestawu danych
- Tworzenie pętli uczenia
- Przegląd popularnych algorytmów RN
- Ćwiczenia
-
Rozdział 19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow
- Eksploatacja modelu TensorFlow
- Wdrażanie modelu na urządzeniu mobilnym lub wbudowanym
- Przyspieszanie obliczeń za pomocą procesorów graficznych
- Uczenie modeli za pomocą wielu urządzeń
- Ćwiczenia
- Dziękuję!
-
Dodatek A Rozwiązania ćwiczeń
- Rozdział 1. Krajobraz uczenia maszynowego
- Rozdział 2. Nasz pierwszy projekt uczenia maszynowego
- Rozdział 3. Klasyfikacja
- Rozdział 4. Uczenie modeli
- Rozdział 5. Maszyny wektorów nośnych
- Rozdział 6. Drzewa decyzyjne
- Rozdział 7. Uczenie zespołowe i losowe lasy
- Rozdział 8. Redukcja wymiarowości
- Rozdział 9. Techniki uczenia nienadzorowanego
- Rozdział 10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras
- Rozdział 11. Uczenie głębokich sieci neuronowych
- Rozdział 12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow
- Rozdział 13. Wczytywanie i przetwarzanie wstępne danych za pomocą modułu TensorFlow
- Rozdział 14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych
- Rozdział 15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych
- Rozdział 16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi
- Rozdział 17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych
- Rozdział 18. Uczenie przez wzmacnianie
- Rozdział 19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow
- Dodatek B Lista kontrolna projektu uczenia maszynowego
- Dodatek C Problem dualny w maszynach wektorów nośnych
- Dodatek D Różniczkowanie automatyczne
- Dodatek E Inne popularne architektury sieci neuronowych
- Dodatek F Specjalne struktury danych
-
Dodatek G Grafy TensorFlow
- Funkcje TF i funkcje konkretne
- Analizowanie grafów i definicji funkcji
- Bliższe spojrzenie na śledzenie
- Analiza przepływu sterowania za pomocą narzędzia AutoGraph
- Obsługa zmiennych i innych zasobów w funkcjach TF
- Korzystanie (lub niekorzystanie) z funkcji TF wraz z interfejsem tf.keras
- Informacje o autorze
- Kolofon
Product information
- Title: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow
- Author(s):
- Release date: August 2021
- Publisher(s): Helion
- ISBN: 9788328360020
You might also like
book
Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow
Pojęcia, techniki i narzędzia służące do tworzenia systemów inteligentnych W ciągu ostatnich lat uczenie maszynowe stało …
book
Praktyczne uczenie nienadzorowane przy użyciu języka Python
Jak budować użytkowe rozwiązania uczenia maszynowego na podstawie nieoznakowanych danych. Wielu ekspertów branżowych uważa uczenie nienadzorowane …
book
Myśl w języku Python! Nauka programowania
Aby stać się cenionym programistą, trzeba zacząć od bardzo solidnych podstaw. Python jest idealną propozycją dla …
book
Python w analizie danych
Analiza danych stała się samodzielną dyscypliną wiedzy interesującą specjalistów z wielu branż: analityków biznesowych, statystyków, architektów …