Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona - ebook
Format ebooka:
MOBI
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.
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.
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.
Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona - ebook
Uczenie głębokie fascynuje wielu inżynierów i praktyków. Mimo że systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię. Istotnie, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model. Możemy tylko ocenić, czy dobrze realizuje swoje zadanie. Wydaje się, że w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głębokie.
Ta książka jest przystępnym przewodnikiem po uczeniu maszynowym. Aby zrozumieć zawartą w niej treść, wystarczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły średniej. Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim. Dzięki lekturze dowiesz się, czym się charakteryzuje dobry zbiór danych uczących, jak ocenić skuteczność modelu i jak korzystać z takich modeli jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Sporo miejsca poświęcono również sieciom neuronowym, mechanizmom ich działania i technikom treningu. I chociaż nie znajdziesz tutaj gotowych receptur, to zdobędziesz wiedzę potrzebną, by od podstaw zaprojektować działający model uczenia głębokiego.
W książce między innymi:
- budowanie dobrego zestawu danych uczących
- praca z bibliotekami scikit-learn i Keras
- klasyczne modele uczenia maszynowego
- mechanizm działania i uczenia sieci neuronowych
- modele wykorzystujące splotowe sieci neuronowe
- przygotowanie od podstaw działającego modelu
Uczenie głębokie: przyszedł czas na Twój pierwszy model!
Spis treści
Przedmowa
Podziękowania
Wstęp
1. Pierwsze kroki
- Środowisko operacyjne
- NumPy
- scikit-learn
- Keras i TensorFlow
- Instalacja narzędzi
- Podstawy algebry liniowej
- Wektory
- Macierze
- Mnożenie wektorów i macierzy
- Statystyka i prawdopodobieństwo
- Statystyka opisowa
- Rozkłady prawdopodobieństwa
- Testy statystyczne
- Procesory graficzne (GPU)
- Podsumowanie
2. Korzystanie z Pythona
- Interpreter Pythona
- Instrukcje i białe znaki
- Zmienne i podstawowe struktury danych
- Przedstawianie liczb
- Zmienne
- Łańcuchy znaków
- Listy
- Słowniki
- Struktury sterowania
- Instrukcje if-elif-else
- Pętle for
- Pętle while
- Instrukcje break i continue
- Instrukcja with
- Obsługa błędów za pomocą bloków try-except
- Funkcje
- Moduły
- Podsumowanie
3. Biblioteka NumPy
- Dlaczego NumPy?
- Tablice a listy
- Testowanie szybkości tablic i list
- Podstawowe tablice
- Definiowanie tablicy za pomocą funkcji, np. array
- Definiowanie tablic wypełnionych zerami i jedynkami
- Dostęp do elementów tablicy
- Indeksowanie tablicowe
- Uzyskiwanie wycinków tablicy
- Wielokropek
- Operatory i rozgłaszanie
- Dane wejściowe i wyjściowe tablic
- Liczby losowe
- Biblioteka NumPy i obrazy
- Podsumowanie
4. Praca z danymi
- Klasy i etykiety
- Cechy i wektory cech
- Rodzaje cech
- Dobór cech i klątwa wymiarowości
- Własności dobrego zestawu danych
- Interpolacja i ekstrapolacja
- Główny rozkład prawdopodobieństwa
- Rozkład a priori
- Przykłady mylące
- Rozmiar zestawu danych
- Przygotowanie danych
- Skalowanie cech
- Brakujące cechy
- Dane uczące, walidacyjne i testowe
- Trzy podzbiory
- Dzielenie zestawu danych
- k-krotny sprawdzian krzyżowy
- Analiza danych
- Wyszukiwanie problemów z danymi
- Opowieści ku przestrodze
- Podsumowanie
5. Budowanie zestawów danych
- Kosaćce (zestaw danych Iris)
- Nowotwory piersi (zestaw danych Breast Cancer)
- Cyfry zapisane pismem odręcznym (zestaw danych MNIST)
- Różne obrazy (zestaw danych CIFAR-10)
- Rozszerzanie danych
- Dlaczego należy rozszerzać dane uczące?
- Sposoby rozszerzania danych
- Rozszerzanie zestawu danych Iris
- Rozszerzanie zestawu danych CIFAR-10
- Podsumowanie
6. Klasyczne uczenie maszynowe
- Algorytm najbliższego centroidu
- Algorytm k najbliższych sąsiadów
- Naiwny klasyfikator Bayesa
- Drzewa decyzyjne i lasy losowe
- Rekurencja
- Budowanie drzew decyzyjnych
- Lasy losowe
- Maszyny wektorów nośnych
- Marginesy
- Wektory nośne
- Optymalizacja
- Jądra
- Podsumowanie
7. Eksperymentowanie z klasycznymi modelami
- Eksperymenty z użyciem zestawu danych Iris
- Testowanie klasycznych modeli
- Implementacja klasyfikatora najbliższego centroidu
- Eksperymenty z użyciem zestawu danych Breast Cancer
- Dwa pierwsze przebiegi testowe
- Skutek losowych podziałów
- Dodawanie k-krotnego sprawdzianu krzyżowego
- Poszukiwanie hiperparametrów
- Eksperymenty z użyciem zestawu danych MNIST
- Testowanie klasycznych modeli
- Analiza czasu działania
- Eksperymenty z głównymi składowymi analizy PCA
- Tasowanie zestawu danych
- Podsumowanie klasycznych modeli
- Algorytm najbliższego centroidu
- Algorytm k najbliższych sąsiadów
- Naiwny klasyfikator Bayesa
- Drzewa decyzyjne
- Lasy losowe
- Maszyny wektorów nośnych
- Kiedy używać klasycznych modeli?
- Korzystanie z małych zestawów danych
- Ograniczone zasoby obliczeniowe
- Dostęp do wyjaśnialnych modeli
- Praca z danymi wektorowymi
- Podsumowanie
8. Wprowadzenie do sieci neuronowych
- Anatomia sieci neuronowej
- Neuron
- Funkcje aktywacji
- Architektura sieci
- Warstwy wyjściowe
- Wagi i obciążenia
- Implementacja prostej sieci neuronowej
- Przygotowanie zestawu danych
- Implementacja sieci neuronowej
- Uczenie i testowanie sieci neuronowej
- Podsumowanie
9. Uczenie sieci neuronowej
- Ogólny opis
- Algorytm gradientu prostego
- Wyszukiwanie minimów
- Aktualizowanie wag
- Stochastyczny spadek wzdłuż gradientu
- Grupy i minigrupy
- Funkcje wypukłe i niewypukłe
- Kończenie uczenia
- Aktualizowanie współczynnika uczenia
- Momentum
- Propagacja wsteczna
- Propagacja wsteczna - ujęcie pierwsze
- Propagacja wsteczna - ujęcie drugie
- Funkcje straty
- Błąd bezwzględny i błąd średniokwadratowy
- Entropia krzyżowa
- Inicjalizowanie wag
- Przetrenowanie i regularyzacja
- Przetrenowanie
- Regularyzacja
- Regularyzacja L2
- Porzucanie
- Podsumowanie
10. Eksperymentowanie z sieciami neuronowymi
- Nasz zestaw danych
- Klasa MLPClassifier
- Struktura sieci i funkcje aktywacji
- Kod
- Wyniki
- Rozmiar grupy
- Podstawowy współczynnik uczenia
- Rozmiar zbioru uczącego
- Regularyzacja L2
- Momentum
- Inicjalizacja wag
- Kolejność cech
- Podsumowanie
11. Ocenianie modeli
- Definicje i założenia
- Dlaczego dokładność jest niewystarczająca?
- Macierz pomyłek 2×2
- Wskaźniki wyprowadzane z macierzy pomyłek
- Wyprowadzanie wskaźników na podstawie macierzy pomyłek
- Interpretowanie modeli za pomocą wskaźników
- Zaawansowane wskaźniki
- Informatywność i nacechowanie
- Wskaźnik F1
- Współczynnik kappa Cohena
- Współczynnik korelacji Matthewsa
- Implementacja zaawansowanych wskaźników
- Krzywa charakterystyki operacyjnej odbiornika
- Dobór modeli
- Rysowanie wykresu wskaźników
- Analiza krzywej ROC
- Porównywanie modeli za pomocą analizy ROC
- Generowanie krzywej ROC
- Krzywa precyzji-czułości
- Przypadki wieloklasowe
- Rozszerzanie macierzy pomyłek
- Obliczanie dokładności ważonej
- Wieloklasowy współczynnik korelacji Matthewsa
- Podsumowanie
12. Wprowadzenie do splotowych sieci neuronowych
- Dlaczego splotowe sieci neuronowe?
- Splot
- Skanowanie za pomocą jądra
- Splot w przetwarzaniu obrazów
- Anatomia splotowej sieci neuronowej
- Różne typy warstw
- Przepuszczanie danych przez sieć splotową
- Warstwy splotowe
- Mechanizm działania warstwy splotowej
- Korzystanie z warstwy splotowej
- Wielokrotne warstwy splotowe
- Inicjalizacja warstwy splotowej
- Warstwy łączące
- Warstwy w pełni połączone
- Pełne warstwy splotowe
- Krok po kroku
- Podsumowanie
13. Eksperymentowanie z biblioteką Keras i zestawem danych MNIST
- Budowanie sieci splotowych w bibliotece Keras
- Wczytywanie danych MNIST
- Budowanie modelu
- Uczenie i ocena modelu
- Tworzenie wykresu funkcji błędu
- Podstawowe eksperymenty
- Eksperymenty na architekturze
- Rozmiar zbioru uczącego, minigrup oraz liczba epok
- Optymalizatory
- Pełne sieci splotowe
- Budowa i trenowanie modelu
- Przygotowanie obrazów testowych
- Testowanie modelu
- Potasowane cyfry MNIST
- Podsumowanie
14. Eksperymentowanie z zestawem danych CIFAR-10
- Zestaw CIFAR-10 - przypomnienie
- Praca na pełnym zestawie CIFAR-10
- Budowanie modeli
- Analizowanie modeli
- Zwierzę czy pojazd?
- Model binarny czy wieloklasowy?
- Uczenie transferowe
- Strojenie modelu
- Przygotowanie zestawów danych
- Dostosowanie modelu do strojenia
- Testowanie modelu
- Podsumowanie
15. Studium przypadku: klasyfikowanie próbek dźwiękowych
- Budowanie zestawu danych
- Rozszerzanie zestawu danych
- Wstępne przetwarzanie danych
- Klasyfikowanie cech dźwiękowych
- Modele klasyczne
- Tradycyjna sieć neuronowa
- Splotowa sieć neuronowa
- Spektrogramy
- Klasyfikowanie spektrogramów
- Inicjalizacja, regularyzacja i normalizacja wsadowa
- Analiza macierzy pomyłek
- Zespoły
- Podsumowanie
16. Dalsze kroki
- Co dalej z sieciami splotowymi?
- Uczenie przez wzmacnianie i uczenie nienadzorowane
- Generatywne sieci przeciwstawne
- Rekurencyjne sieci neuronowe
- Zasoby internetowe
- Konferencje
- Książka
- Cześć i dzięki za ryby
Skorowidz
| Kategoria: | Branża IT |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-283-8860-4 |
| Rozmiar pliku: | 9,4 MB |
