Używamy cookies, aby ułatwić korzystanie z Portalu. Możesz określić warunki przechowywania, dostępu do plików cookies w Twojej przeglądarce. Dowiedz się więcej.
strona główna Strona główna | Nowości | Promocje | Zapowiedzi Twoje konto | Zarejestruj | Schowek | Kontakt | Pomoc
mapa działów
Szukaj: szukanie zaawansowane
Koszyk
Książki \ Programowanie

Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe Język: 1

978-83-283-4173-9

Cena Brutto: 67.00

Cena netto: 63.81

Ilość:
Wersja: Drukowana
Autor Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants
Liczba_stron 360
Wydawnictwo Helion
Oprawa miękka
Data_Wydania 2018-10-01

Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe


Na naszych oczach dokonuje się przełom: technologie wykorzystujące rozmaite formy sztucznej inteligencji zaczynają się pojawiać w różnych branżach. Niektórzy nawet nie zdają sobie sprawy, jak często i jak powszechnie stosuje się algorytmy uczenia głębokiego. Możliwości w tym zakresie stale rosną. Wzrasta też zapotrzebowanie na inżynierów, którzy swobodnie operują wiedzą o uczeniu głębokim i są w stanie zaimplementować potrzebne algorytmy w konkretnym oprogramowaniu. Uczenie głębokie jest jednak dość złożonym zagadnieniem, a przyswojenie sobie potrzebnych umiejętności wymaga wysiłku.


Ta książka stanowi doskonałe wprowadzenie w temat uczenia głębokiego. Wyjaśniono tu najważniejsze pojęcia uczenia maszynowego. Pokazano, do czego mogą się przydać takie narzędzia jak pakiet scikit-learn, biblioteki Theano, Keras czy TensorFlow. Ten praktyczny przewodnik znakomicie ułatwi zrozumienie zagadnień rozpoznawania wzorców, dokładnego skalowania danych, pozwoli też na rzetelne zapoznanie się z algorytmami i technikami uczenia głębokiego. Autorzy zaproponowali wykorzystanie w powyższych celach języka Python - ulubionego narzędzia wielu badaczy i pasjonatów nauki.


W książce między innymi:

  • Solidne podstawy uczenia maszynowego i sieci neuronowych
  • Trening systemów sztucznej inteligencji w grach komputerowych
  • Rozpoznawanie obrazów
  • Rekurencyjne sieci neuronowej w modelowaniu języka
  • Budowa systemów wykrywania oszustw i włamań

    O autorach (9)

    O recenzencie (11)

    Przedmowa (13)

    • Co zawiera książka? (13)
    • Co jest potrzebne podczas lektury tej książki? (14)
    • Dla kogo jest ta książka? (15)
    • Konwencje (15)
    • Pobieranie przykładowego kodu (16)
    • Pobieranie kolorowych ilustracji do tej książki (16)

    Rozdział 1. Uczenie maszynowe - wprowadzenie (17)

    • Czym jest uczenie maszynowe? (18)
    • Różne podejścia do uczenia maszynowego (19)
      • Uczenie nadzorowane (19)
      • Uczenie nienadzorowane (22)
      • Uczenie przez wzmacnianie (23)
      • Fazy systemów uczenia maszynowego (24)
      • Krótki opis popularnych technik (algorytmów) (28)
    • Zastosowania praktyczne (40)
    • Popularny pakiet open source (42)
    • Podsumowanie (48)

    Rozdział 2. Sieci neuronowe (49)

    • Dlaczego sieci neuronowe? (50)
    • Podstawy (51)
      • Neurony i warstwy (52)
      • Różne rodzaje funkcji aktywacji (56)
      • Algorytm propagacji wstecznej (61)
      • Zastosowania praktyczne (68)
      • Przykład kodu sieci neuronowej dla funkcji XOR (70)
    • Podsumowanie (75)

    Rozdział 3. Podstawy uczenia głębokiego (77)

    • Czym jest uczenie głębokie? (78)
      • Podstawowe pojęcia (80)
      • Uczenie się cech (81)
      • Algorytmy uczenia głębokiego (88)
    • Zastosowania uczenia głębokiego (89)
      • Rozpoznawanie mowy (90)
      • Rozpoznawanie i klasyfikacja obiektów (91)
    • GPU kontra CPU (94)
    • Popularne biblioteki open source - wprowadzenie (96)
      • Theano (96)
      • TensorFlow (97)
      • Keras (97)
      • Przykład implementacji głębokiej sieci neuronowej za pomocą biblioteki Keras (98)
    • Podsumowanie (102)

    Rozdział 4. Nienadzorowane uczenie cech (105)

    • Autoenkodery (107)
      • Projekt sieci (110)
      • Metody regularyzacji dla autoenkoderów (113)
      • Autoenkodery - podsumowanie (117)
    • Ograniczone maszyny Boltzmanna (119)
      • Sieci Hopfielda a maszyny Boltzmanna (121)
      • Maszyna Boltzmanna (123)
      • Ograniczona maszyna Boltzmanna (125)
      • Implementacja za pomocą biblioteki TensorFlow (126)
      • Sieci DBN (130)
    • Podsumowanie (132)

    Rozdział 5. Rozpoznawanie obrazów (135)

    • Podobieństwa pomiędzy modelami sztucznymi a biologicznymi (136)
    • Intuicja i uzasadnianie (137)
    • Warstwy konwolucyjne (138)
      • Parametry krok i wypełnienie w warstwach konwolucyjnych (144)
    • Warstwy pooling (145)
    • Dropout (147)
    • Warstwy konwolucyjne w uczeniu głębokim (147)
    • Warstwy konwolucyjne w bibliotece Theano (148)
    • Przykład zastosowania warstwy konwolucyjnej do rozpoznawania cyfr za pomocą biblioteki Keras (150)
    • Przykład zastosowania warstwy konwolucyjnej za pomocą biblioteki Keras dla zbioru danych CIFAR10 (153)
    • Szkolenie wstępne (155)
    • Podsumowanie (156)

    Rozdział 6. Rekurencyjne sieci neuronowe i modele języka (159)

    • Rekurencyjne sieci neuronowe (160)
      • RNN - jak implementować i trenować? (162)
      • Długa pamięć krótkotrwała (168)
    • Modelowanie języka (171)
      • Modele na bazie słów (171)
      • Modele bazujące na znakach (176)
    • Rozpoznawanie mowy (183)
      • Potok rozpoznawania mowy (183)
      • Mowa jako dane wejściowe (184)
      • Przetwarzanie wstępne (185)
      • Model akustyczny (186)
      • Dekodowanie (189)
      • Modele od końca do końca (190)
    • Podsumowanie (190)
    • Bibliografia (190)

    Rozdział 7. Uczenie głębokie w grach planszowych (195)

    • Pierwsze systemy AI grające w gry (197)
    • Wykorzystanie algorytmu min-max do oceny stanów gry (198)
    • Implementacja gry w kółko i krzyżyk w Pythonie (201)
    • Uczenie funkcji wartości (209)
    • Trenowanie systemu AI do uzyskania mistrzostwa w grze w Go (210)
    • Zastosowanie górnych granic zaufania do drzew (213)
    • Uczenie głębokie w algorytmie przeszukiwania drzewa Monte Carlo (220)
    • Krótkie przypomnienie technik uczenia przez wzmacnianie (222)
    • Metoda policy gradients w funkcjach strategii uczenia (222)
    • Metoda policy gradients w AlphaGo (230)
    • Podsumowanie (232)

    Rozdział 8. Uczenie głębokie w grach komputerowych (235)

    • Techniki uczenia nadzorowanego w odniesieniu do gier (235)
    • Zastosowanie algorytmów genetycznych do grania w gry komputerowe (237)
    • Q-learning (238)
      • Funkcja Q (240)
    • Q-learning w akcji (241)
    • Gry dynamiczne (246)
      • Odtwarzanie doświadczeń (250)
      • Epsilon zachłanny (253)
    • Breakout na Atari (254)
      • Losowy test gry w Breakout na Atari (255)
      • Wstępne przetwarzanie ekranu (257)
      • Tworzenie głębokiej sieci konwolucyjnej (259)
      • Problemy zbieżności w technikach Q-learning (263)
      • Technika policy gradients kontra Q-learning (265)
    • Metody aktor-krytyk (266)
      • Metoda baseline do redukcji wariancji (267)
      • Uogólniony estymator korzyści (267)
    • Metody asynchroniczne (268)
    • Podejścia bazujące na modelach (269)
    • Podsumowanie (272)

    Rozdział 9. Wykrywanie anomalii (273)

    • Co to jest wykrywanie anomalii i wykrywanie elementów odstających? (274)
    • Rzeczywiste zastosowania mechanizmów wykrywania anomalii (277)
    • Popularne płytkie techniki uczenia maszynowego (278)
      • Modelowanie danych (279)
      • Modelowanie wykrywania (279)
    • Wykrywanie anomalii z wykorzystaniem głębokich autoenkoderów (281)
    • H2O (283)
      • Wprowadzenie do pracy z H2O (285)
    • Przykłady (285)
      • Rozpoznawanie anomalii wykrywania cyfr z wykorzystaniem zestawu danych MNIST (286)
    • Podsumowanie (298)

    Rozdział 10. Budowanie gotowego do produkcji systemu wykrywania włamań (301)

    • Czym jest produkt danych? (302)
    • Trening (304)
      • Inicjalizacja wag (304)
      • Współbieżny algorytm SGD z wykorzystaniem techniki HOGWILD! (306)
      • Uczenie adaptacyjne (308)
      • Uczenie rozproszone z wykorzystaniem mechanizmu MapReduce (314)
      • Sparkling Water (317)
    • Testowanie (320)
      • Walidacja modelu (326)
      • Dostrajanie hiperparametrów (335)
      • Ocena od końca do końca (338)
      • Podsumowanie zagadnień związanych z testowaniem (342)
    • Wdrażanie (343)
      • Eksport modelu do formatu POJO (344)
      • Interfejsy API oceny anomalii (347)
      • Podsumowanie wdrażania (349)
    • Podsumowanie (350)

    Skorowidz (351)

powrót
 
Produkty Podobne
Java. Przewodnik dla początkujących. Wydanie VII
Architektura ewolucyjna. Projektowanie oprogramowania i wsparcie zmian
Młodzi giganci programowania. Scratch
Projektowanie systemów rozproszonych. Wzorce i paradygmaty dla skalowalnych, niezawodnych usług
UX w projektowaniu witryn internetowych
Angular: instalacja i działanie. Nauka krok po kroku
Data science od podstaw. Analiza danych w Pythonie
Visual Studio 2017. Tworzenie aplikacji Windows w języku C#
Visual Studio 2017. Tworzenie aplikacji Windows w języku C#
Swift 4. Koduj jak mistrz. Wydanie IV
Więcej produktów