Pobierz fragment
Pobierz fragment w jednym z dostępnych formatów
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - ebook
Format ebooka:
PDF
Format
PDF
czytaj
na laptopie
czytaj
na tablecie
Format e-booków, który możesz odczytywać na tablecie oraz
laptopie. Pliki PDF są odczytywane również przez czytniki i smartfony,
jednakze względu na komfort czytania i brak możliwości skalowania
czcionki, czytanie plików PDF na tych urządzeniach może być męczące dla
oczu. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Format
EPUB
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najpopularniejszych formatów e-booków na świecie.
Niezwykle wygodny i przyjazny czytelnikom - w przeciwieństwie do formatu
PDF umożliwia skalowanie czcionki, dzięki czemu możliwe jest dopasowanie
jej wielkości do kroju i rozmiarów ekranu. Więcej informacji znajdziesz
w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Format
MOBI
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najczęściej wybieranych formatów wśród czytelników
e-booków. Możesz go odczytać na czytniku Kindle oraz na smartfonach i
tabletach po zainstalowaniu specjalnej aplikacji. Więcej informacji
znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu.
Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu.
Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
Multiformat
E-booki sprzedawane w księgarni Virtualo.pl dostępne są w opcji
multiformatu - kupujesz treść, nie format. Po dodaniu e-booka do koszyka
i dokonaniu płatności, e-book pojawi się na Twoim koncie w Mojej
Bibliotece we wszystkich formatach dostępnych aktualnie dla danego
tytułu. Informacja o dostępności poszczególnych formatów znajduje się na
karcie produktu przy okładce. Uwaga: audiobooki nie są objęte opcją
multiformatu.
czytaj
na laptopie
Pliki PDF zabezpieczone watermarkiem możesz odczytać na dowolnym
laptopie po zainstalowaniu czytnika dokumentów PDF. Najpowszechniejszym
programem, który umożliwi odczytanie pliku PDF na laptopie, jest Adobe
Reader. W zależności od potrzeb, możesz zainstalować również inny
program - e-booki PDF pod względem sposobu odczytywania nie różnią
niczym od powszechnie stosowanych dokumentów PDF, które odczytujemy
każdego dnia.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na tablecie
Aby odczytywać e-booki na swoim tablecie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. Bluefire
dla EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na czytniku
Czytanie na e-czytniku z ekranem e-ink jest bardzo wygodne i nie męczy
wzroku. Pliki przystosowane do odczytywania na czytnikach to przede
wszystkim EPUB (ten format możesz odczytać m.in. na czytnikach
PocketBook) i MOBI (ten fromat możesz odczytać m.in. na czytnikach Kindle).
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na smartfonie
Aby odczytywać e-booki na swoim smartfonie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. iBooks dla
EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
Pobierz fragment
Pobierz fragment w jednym z dostępnych formatów
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - ebook
Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje.
Oto praktyczny i przystępny przewodnik po koncepcjach uczenia głębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach.
W książce między innymi:
- gruntownie i przystępnie omówione podstawy uczenia głębokiego
- najnowsze techniki uczenia głębokiego i ich praktyczne zastosowanie
- działanie modeli oraz zasady ich treningu
- praktyczne tworzenie aplikacji korzystających z uczenia głębokiego
- wdrażanie algorytmów uczenia głębokiego
- etyczne implikacje AI
Uczenie głębokie? Dobrze zrozum, dobrze zastosuj!
Spis treści
- Opinie o książce
- Wstęp
- Dla kogo jest przeznaczona ta książka?
- Co musisz wiedzieć?
- Czego się nauczysz dzięki tej książce?
- Przedmowa
- Część I. Uczenie głębokie w praktyce
- Rozdział 1. Podróż po świecie uczenia głębokiego
- Uczenie głębokie jest dla każdego
- Sieci neuronowe krótka historia
- Kim jesteśmy?
- Jak zdobyć wiedzę o uczeniu głębokim?
- Twoje projekty i Twój sposób myślenia
- Oprogramowanie: PyTorch, fastai i Jupyter (i dlaczego nie ma to znaczenia)
- Twój pierwszy model
- Uzyskanie dostępu do serwera z procesorem graficznym i możliwością realizowania uczenia głębokiego
- Uruchomienie pierwszego notatnika
- Co to jest uczenie maszynowe?
- Co to jest sieć neuronowa?
- Trochę słownictwa związanego z uczeniem głębokim
- Ograniczenia związane z uczeniem maszynowym
- Jak działa nasz program do rozpoznawania obrazów
- Czego nauczył się program do rozpoznawania obrazów?
- Systemy do rozpoznawania obrazów mogą radzić sobie z zadaniami innymi niż analiza obrazów
- Podsumowanie słownictwa
- Uczenie głębokie to nie tylko klasyfikowanie obrazów
- Zbiory walidacyjne i testowe
- Użycie oceny w definiowaniu zbiorów testowych
- Moment, w którym wybierasz swoją własną przygodę
- Pytania
- Dalsze badania
- Rozdział 2. Od modelu do produkcji
- Praktyczne zastosowanie uczenia głębokiego
- Rozpoczęcie projektu
- Stan uczenia głębokiego
- Widzenie komputerowe
- Dokumenty tekstowe (przetwarzanie języka naturalnego)
- Łączenie tekstu z obrazami
- Dane tabelaryczne
- Systemy rekomendacji
- Inne typy danych
- Metoda układu napędowego
- Gromadzenie danych
- Od danych do obiektu DataLoaders
- Generowanie sztucznych danych
- Trenowanie modelu i używanie go do czyszczenia danych
- Przekształcanie modelu w aplikację internetową
- Korzystanie z modelu do wnioskowania
- Tworzenie w notatniku aplikacji na podstawie modelu
- Zamień notatnik w prawdziwą aplikację
- Wdrażanie aplikacji
- Jak uniknąć katastrofy
- Nieprzewidziane konsekwencje i pętle sprzężenia zwrotnego
- Zapisuj!
- Pytania
- Dalsze badania
- Praktyczne zastosowanie uczenia głębokiego
- Rozdział 3. Etyka danych
- Kluczowe przykłady etyki danych
- Błędy i regresja: wadliwy algorytm używany do świadczeń opieki zdrowotnej
- Pętle sprzężenia zwrotnego: system rekomendacji YouTube
- Uprzedzenie: wykładowca Latanya Sweeney aresztowana
- Dlaczego ma to znaczenie?
- Integracja uczenia maszynowego z projektowaniem produktu
- Zagadnienia związane z etyką danych
- Regres i odpowiedzialność
- Pętle sprzężenia zwrotnego
- Uprzedzenie
- Uprzedzenie historyczne
- Uprzedzenie pomiarowe
- Uprzedzenie agregacyjne
- Uprzedzenie reprezentacyjne
- Rozwiązywanie problemów związanych z różnymi rodzajami uprzedzeń
- Dezinformacja
- Identyfikowanie i rozwiązywanie problemów etycznych
- Przeanalizuj projekt, nad którym pracujesz
- Procesy do zaimplementowania
- Pryzmat etyczny
- Potęga różnorodności
- Uczciwość, odpowiedzialność i przejrzystość
- Rola polityki
- Skuteczność przepisów
- Prawa i polityka
- Samochody historyczny precedens
- Wnioski
- Pytania
- Dalsze badania
- Uczenie głębokie w praktyce to wszystko!
- Kluczowe przykłady etyki danych
- Część II. Zrozumienie aplikacji fastai
- Rozdział 4. Jak to wygląda od środka trenowanie klasyfikatora cyfr
- Piksele podstawa widzenia komputerowego
- Podejście pierwsze: podobieństwo pikseli
- Tablice NumPy i tensory PyTorch
- Wyznaczanie wskaźników z wykorzystaniem rozgłaszania
- Stochastyczny spadek wzdłuż gradientu
- Wyznaczanie gradientów
- Stopniowanie ze współczynnikiem uczenia
- Kompleksowy przykład użycia stochastycznego spadku wzdłuż gradientu
- Etap 1.: inicjalizacja parametrów
- Etap 2.: obliczanie prognoz
- Etap 3.: obliczanie straty
- Etap 4.: obliczanie gradientów
- Etap 5.: stopniowanie wag
- Etap 6.: powtórzenie procesu
- Etap 7.: koniec
- Podsumowanie procesu stochastycznego spadku wzdłuż gradientu
- Funkcja straty MNIST
- Sigmoida
- Stochastyczny spadek wzdłuż gradientu i minipaczki
- Złożenie wszystkiego w całość
- Tworzenie optymalizatora
- Wprowadzanie nieliniowości
- Bardziej rozbudowane modele
- Podsumowanie słownictwa
- Pytania
- Dalsze badania
- Rozdział 5. Klasyfikowanie obrazów
- Od psów i kotów do ras zwierząt domowych
- Dobór wstępny
- Sprawdzanie i debugowanie obiektu DataBlock
- Entropia krzyżowa
- Przeglądanie aktywacji i etykiet
- Softmax
- Logarytm prawdopodobieństwa
- Obliczanie logarytmu
- Interpretacja modelu
- Poprawianie modelu
- Wyszukiwarka współczynnika uczenia
- Odmrażanie i uczenie transferowe
- Dyskryminatywne współczynniki uczenia
- Wybór liczby epok
- Bardziej złożone architektury
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 6. Inne zagadnienia związane z widzeniem komputerowym
- Klasyfikacja wieloetykietowa
- Dane
- Tworzenie obiektu DataBlock
- Binarna entropia krzyżowa
- Regresja
- Gromadzenie danych
- Trenowanie modelu
- Podsumowanie
- Pytania
- Dalsze badania
- Klasyfikacja wieloetykietowa
- Rozdział 7. Trenowanie supernowoczesnego modelu
- Imagenette
- Normalizacja
- Progresywna zmiana rozmiaru
- Wydłużenie czasu testu
- Mixup
- Wygładzanie etykiet
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 8. Szczegółowa analiza filtrowania zespołowego
- Pierwszy kontakt z danymi
- Czynniki ukryte
- Tworzenie obiektu DataLoaders
- Filtrowanie zespołowe od podstaw
- Wygaszanie wag
- Tworzenie własnego modułu osadzania
- Interpretacja osadzeń i przesunięć
- Użycie aplikacji fastai.collab
- Odległość osadzania
- Uruchamianie modelu filtrowania zespołowego
- Uczenie głębokie w filtrowaniu zespołowym
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 9. Szczegółowa analiza modelowania tabelarycznego
- Osadzenia skategoryzowane
- Poza uczeniem głębokim
- Zbiór danych
- Konkursy Kaggle
- Sprawdzenie danych
- Drzewa decyzyjne
- Obsługa dat
- Użycie obiektów TabularPandas i TabularProc
- Tworzenie drzewa decyzyjnego
- Zmienne skategoryzowane
- Lasy losowe
- Tworzenie lasu losowego
- Błąd out-of-bag
- Interpretacja modelu
- Wariancja drzewa dla pewności prognozy
- Ważności cech
- Usuwanie zmiennych o niskiej ważności
- Usuwanie zbędnych cech
- Częściowa zależność
- Wyciek danych
- Interpreter drzewa
- Ekstrapolacja i sieci neuronowe
- Problem ekstrapolacji
- Wyszukiwanie danych spoza domeny
- Użycie sieci neuronowej
- Łączenie w zespoły
- Wzmacnianie
- Łączenie osadzeń z innymi metodami
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 10. Szczegółowa analiza przetwarzania języka naturalnego rekurencyjne sieci neuronowe
- Wstępne przetwarzanie tekstu
- Tokenizacja
- Tokenizacja słów przy użyciu biblioteki fastai
- Tokenizacja podłańcuchów
- Zamiana na liczby przy użyciu biblioteki fastai
- Umieszczanie tekstu w paczkach dla modelu językowego
- Trenowanie klasyfikatora tekstu
- Użycie klasy DataBlock w modelu językowym
- Dostrajanie modelu językowego
- Zapisywanie i wczytywanie modeli
- Generowanie tekstu
- Tworzenie klasyfikatora DataLoaders
- Dostrajanie klasyfikatora
- Dezinformacja i modele językowe
- Podsumowanie
- Pytania
- Dalsze badania
- Wstępne przetwarzanie tekstu
- Rozdział 11. Przygotowywanie danych dla modeli za pomocą interfejsu API pośredniego poziomu z biblioteki fastai
- Szczegółowa analiza warstwowego interfejsu programistycznego biblioteki fastai
- Transformacje
- Tworzenie własnej transformacji
- Klasa Pipeline potoku transformacji
- TfmdLists i Datasets kolekcje przekształcone
- TfmdLists
- Datasets
- Zastosowanie interfejsu API pośredniego poziomu SiamesePair
- Podsumowanie
- Pytania
- Dalsze badania
- Zrozumienie aplikacji fastai podsumowanie
- Szczegółowa analiza warstwowego interfejsu programistycznego biblioteki fastai
- Część III. Podstawy uczenia głębokiego
- Rozdział 12. Tworzenie od podstaw modelu językowego
- Dane
- Tworzenie od podstaw pierwszego modelu językowego
- Obsługa modelu językowego w bibliotece PyTorch
- Pierwsza rekurencyjna sieć neuronowa
- Ulepszanie sieci RNN
- Obsługa stanu sieci RNN
- Tworzenie większej liczby sygnałów
- Wielowarstwowe rekurencyjne sieci neuronowe
- Model
- Eksplodujące lub zanikające aktywacje
- Architektura LSTM
- Tworzenie modelu LSTM od podstaw
- Trenowanie modelu językowego wykorzystującego architekturę LSTM
- Regularyzacja modelu LSTM
- Dropout
- Regularyzacja aktywacji i czasowa regularyzacja aktywacji
- Trening regularyzowanego modelu LSTM z wiązanymi wagami
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 13. Konwolucyjne sieci neuronowe
- Magia konwolucji
- Odwzorowywanie jądra splotu
- Konwolucje w bibliotece PyTorch
- Kroki i dopełnienie
- Zrozumienie równań konwolucji
- Pierwsza konwolucyjna sieć neuronowa
- Tworzenie konwolucyjnej sieci neuronowej
- Zrozumienie arytmetyki konwolucji
- Pola receptywne
- Kilka uwag o Twitterze
- Obrazy kolorowe
- Ulepszanie stabilności trenowania
- Prosty model bazowy
- Zwiększenie wielkości paczki
- Trenowanie jednocykliczne
- Normalizacja wsadowa
- Podsumowanie
- Pytania
- Dalsze badania
- Magia konwolucji
- Rozdział 14. Sieci ResNet
- Powrót do Imagenette
- Tworzenie nowoczesnej konwolucyjnej sieci neuronowej ResNet
- Pomijanie połączeń
- Model sieci ResNet na poziomie światowym
- Warstwy z wąskim gardłem
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 15. Szczegółowa analiza architektur aplikacji
- Widzenie komputerowe
- Funkcja cnn_learner
- Funkcja unet_learner
- Model syjamski
- Przetwarzanie języka naturalnego
- Dane tabelaryczne
- Podsumowanie
- Pytania
- Dalsze badania
- Widzenie komputerowe
- Rozdział 16. Proces trenowania
- Tworzenie modelu bazowego
- Ogólny optymalizator
- Momentum
- RMSProp
- Adam
- Dwie metody wygaszania wag
- Wywołania zwrotne
- Tworzenie wywołania zwrotnego
- Kolejność wywołań zwrotnych i wyjątki
- Podsumowanie
- Pytania
- Dalsze badania
- Podstawy uczenia głębokiego podsumowanie
- Część IV. Uczenie głębokie od podstaw
- Rozdział 17. Sieć neuronowa od podstaw
- Tworzenie od podstaw warstwy sieci neuronowej
- Modelowanie neuronu
- Mnożenie macierzy od podstaw
- Arytmetyka składowych
- Rozgłaszanie
- Rozgłaszanie wartości skalarnej
- Rozgłaszanie wektora na macierz
- Zasady rozgłaszania
- Konwencja sumacyjna Einsteina
- Przejścia w przód i wstecz
- Definiowanie i inicjalizowanie warstwy
- Gradienty i przejście wstecz
- Modyfikowanie modelu
- Implementacja przy użyciu biblioteki PyTorch
- Podsumowanie
- Pytania
- Dalsze badania
- Tworzenie od podstaw warstwy sieci neuronowej
- Rozdział 18. Interpretacja sieci CNN przy użyciu mapy aktywacji klas
- Mapa aktywacji klas i punkty zaczepienia
- Gradientowa mapa aktywacji klas
- Podsumowanie
- Pytania
- Dalsze badania
- Rozdział 19. Klasa Learner biblioteki fastai od podstaw
- Dane
- Klasa Dataset
- Klasy Module i Parameter
- Prosta konwolucyjna sieć neuronowa
- Funkcja straty
- Klasa Learner
- Wywołania zwrotne
- Harmonogram modyfikowania współczynnika uczenia
- Podsumowanie
- Pytania
- Dalsze badania
- Dane
- Rozdział 20. Uwagi końcowe
- Dodatek A. Tworzenie bloga
- Blogowanie przy użyciu usługi GitHub Pages
- Tworzenie repozytorium
- Konfigurowanie strony głównej
- Tworzenie wpisów
- Synchronizowanie GitHuba z własnym komputerem
- Tworzenie bloga za pomocą notatnika Jupytera
- Blogowanie przy użyciu usługi GitHub Pages
- Dodatek B. Lista kontrolna projektu dotyczącego danych
- Analitycy danych
- Strategia
- Dane
- Analityka
- Implementacja
- Utrzymywanie
- Ograniczenia
- O autorach
- Podziękowania
- Kolofon
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-283-7510-9 |
| Rozmiar pliku: | 25 MB |
