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

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

Uczenie głębokie: zajrzyj w przyszłość programowania!

Dr Valentino Zokka opracował wiele algorytmów matematycznych i modeli prognostycznych dla firmy Boeing. Obecnie jest konsultantem w branży finansowej.

Gianmario Spacagna pracuje w firmie Pirelli, gdzie buduje systemy maszynowego uczenia się i kompletne rozwiązania do produktów informacyjnych.

Daniel Slater tworzył oprogramowanie do oceny ryzyka dla branży finansowej. Obecnie zajmuje się systemami do przetwarzania dużych ilości danych i analizy zachowań użytkowników.

Peter Roelants specjalizuje się w stosowaniu technik uczenia głębokiego do badań spektralnych obrazów, rozpoznawania mowy czy ekstrakcji danych z dokumentów.

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)