Deep learning z TensorFlow 2 i Keras dla zaawansowanych. Sieci GAN i VAE, deep RL, uczenie nienadzorowane, wykrywanie i segmentacja obiektów i nie tylko - ebook

Rowel Atienza

Wydawnictwo:

Helion

Tłumacz:

Magdalena Tkacz

Data wydania:

27 czerwca 2022

Format ebooka:

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.

, 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

(2w1)

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 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 z TensorFlow 2 i Keras dla zaawansowanych. Sieci GAN i VAE, deep RL, uczenie nienadzorowane, wykrywanie i segmentacja obiektów i nie tylko - ebook

Oto propozycja dla specjalistów zajmujących się programowaniem sztucznej inteligencji i studentów kształcących się w tej dziedzinie. Autor przybliża tajniki tworzenia sieci neuronowych stosowanych w uczeniu głębokim i pokazuje, w jaki sposób używać w tym celu bibliotek Keras i TensorFlow. Objaśnia zagadnienia dotyczące programowania AI zarówno w teorii, jak i praktyce. Liczne przykłady, czytelna oprawa graficzna i logiczne wywody sprawiają, że to skuteczne narzędzie dla każdego, kto chce się nauczyć budowania sieci neuronowych typu MLP, CNN i RNN.

Książka wprowadza w teoretyczne fundamenty uczenia głębokiego - znalazły się w niej wyjaśnienia podstawowych pojęć związanych z tą dziedziną i różnice pomiędzy poszczególnymi typami sieci neuronowych. Opisano tutaj również metody programowania algorytmów używanych w uczeniu głębokim i sposoby ich wdrażania. Dzięki lekturze lepiej zrozumiesz sieci neuronowe, nauczysz się ich tworzenia i zastosowania w różnych projektach z zakresu AI.

Polecamy tę książkę każdemu, kto:

chce zrozumieć, jak działają sieci neuronowe i w jaki sposób się je tworzy
specjalizuje się w uczeniu głębokim lub zamierza lepiej poznać tę dziedzinę
posługuje się sieciami neuronowymi w programowaniu
chce się nauczyć stosować biblioteki Keras i TensorFlow w uczeniu głębokim

Spis treści

O autorze

O recenzencie

Przedmowa

Rozdział 1. Wprowadzenie do uczenia głębokiego z Keras

1.1. Dlaczego Keras jest idealną biblioteką do uczenia głębokiego?
- Instalowanie biblioteki Keras i TensorFlow
1.2. Sieci MLP, CNN i RNN
- Różnice między MLP, CNN i RNN
1.3. Perceptron wielowarstwowy (MLP)
- Zbiór danych MNIST
- Model klasyfikatora cyfr MNIST
- Budowanie modelu przy użyciu MLP i Keras
- Regularyzacja
- Funkcja aktywacji i funkcja straty
- Optymalizacja
- Ocena wydajności
- Podsumowanie modelu MLP
1.4. Splotowa (konwolucyjna) sieć neuronowa
- Splot
- Operacje łączenia
- Ocena wydajności i podsumowanie modelu
1.5. Rekurencyjna sieć neuronowa
1.6. Wnioski
1.7. Odwołania

Rozdział 2. Głębokie sieci neuronowe

2.1. Funkcyjne API Keras
- Tworzenie modelu o dwóch wejściach i jednym wyjściu
2.2. Głęboka sieć resztkowa (ResNet)
2.3. ResNet v2
2.4. Gęsto połączona sieć splotowa (DenseNet)
- Budowa stuwarstwowej sieci DenseNet-BC dla CIFAR10
2.5. Podsumowanie
2.6. Bibliografia

Rozdział 3. Sieci autokodujące

3.1. Zasada działania sieci autokodującej
3.2. Budowanie sieci autokodującej za pomocą Keras
3.3. Autokodujące sieci odszumiające (DAE)
3.4. Automatyczne kolorowanie z użyciem autokodera
3.5. Podsumowanie
3.6. Bibliografia

Rozdział 4. Generujące sieci współzawodniczące

4.1. GAN - informacje wprowadzające
- Podstawy GAN
4.2. Implementacja DCGAN w Keras
4.3. Warunkowe sieci GAN
4.4. Podsumowanie
4.5. Bibliografia

Rozdział 5. Ulepszone sieci GAN

5.1. Sieć GAN Wassersteina
- Funkcje odległości
- Funkcja odległości w GAN
- Wykorzystanie funkcji straty Wassersteina
- Implementacja WGAN przy użyciu Keras
5.2. GAN z metodą najmniejszych kwadratów (LSGAN)
5.3. Pomocniczy klasyfikator GAN (ACGAN)
5.4. Podsumowanie
5.5. Bibliografia

Rozdział 6. Rozplątane reprezentacje w GAN

6.1. Rozplątane reprezentacje
6.2. Sieć InfoGAN
- Implementacja InfoGAN w Keras
- Ocena rezultatów działania generatora sieci InfoGAN
6.3. Sieci StackedGAN
- Implementacja sieci StackedGAN w Keras
- Ocena rezultatów działania generatora StackedGAN
6.4. Podsumowanie
6.5. Bibliografia

Rozdział 7. Międzydomenowe GAN

7.1. Podstawy sieci CycleGAN
- Model sieci CycleGAN
- Implementacja CycleGAN przy użyciu Keras
- Wyjścia generatora CycleGAN
- CycleGAN na zbiorach danych MNIST i SVHN
7.2. Podsumowanie
7.3. Bibliografia

Rozdział 8. Wariacyjne sieci autokodujące (VAE)

8.1. Podstawy sieci VAE
- Wnioskowanie wariacyjne
- Podstawowe równanie
- Optymalizacja
- Sztuczka z reparametryzacją
- Testowanie dekodera
- VAE w Keras
- Korzystanie z CNN w sieciach autokodujących
8.2. Warunkowe VAE (CVAE)
8.3. B-VAE - VAE z rozplątanymi niejawnymi reprezentacjami
8.4. Podsumowanie
8.5. Bibliografia

Rozdział 9. Uczenie głębokie ze wzmocnieniem

9.1. Podstawy uczenia ze wzmocnieniem (RL)
9.2. Wartość Q
9.3. Przykład Q-uczenia
- Q-uczenie w języku Python
9.4. Otoczenie niedeterministyczne
9.5. Uczenie z wykorzystaniem różnic czasowych
- Q-uczenie w Open AI Gym
9.6. Głęboka sieć Q (DQN)
- Implementacja DQN w Keras
- Q-uczenie podwójnej sieci DQN (DDQN)
9.7. Podsumowanie
9.8. Bibliografia

Rozdział 10. Strategie w metodach gradientowych

10.1. Twierdzenie o gradiencie strategii
10.2. Metoda strategii gradientowych Monte Carlo (WZMOCNIENIE)
10.3. Metoda WZMOCNIENIE z wartością bazową
10.4. Metoda Aktor-Krytyk
10.5. Metoda Aktor-Krytyk z przewagą (A2C)
10.6. Metody strategii gradientowych przy użyciu Keras
10.7. Ocena wydajności metod strategii gradientowej
10.8. Podsumowanie
10.9. Bibliografia

Rozdział 11. Wykrywanie obiektów

11.1. Wykrywanie obiektów
11.2. Pole zakotwiczenia
11.3. Referencyjne pola zakotwiczenia
11.4. Funkcje strat
11.5. Architektura modelu SSD
11.6. Architektura modelu SSD w Keras
11.7. Obiekty SSD w Keras
11.8. Model SSD w Keras
11.9. Model generatora danych w Keras
11.10. Przykładowy zbiór danych
11.11. Szkolenie modelu SSD
11.12. Algorytm niemaksymalnego tłumienia (NMS)
11.13. Walidacja modelu SSD
11.14. Podsumowanie
11.15. Bibliografia

Rozdział 12. Segmentacja semantyczna

12.1. Segmentacja
12.2. Sieć do segmentacji semantycznej
12.3. Sieć do segmentacji semantycznej w Keras
12.4. Przykładowy zbiór danych
12.5. Walidacja segmentacji semantycznej
12.6. Podsumowanie
12.7. Bibliografia

Rozdział 13. Uczenie nienadzorowane z wykorzystaniem informacji wzajemnej

13.1. Informacja wzajemna
13.2. Informacja wzajemna i entropia
13.3. Uczenie nienadzorowane przez maksymalizację informacji wzajemnej o dyskretnych zmiennych losowych
13.4. Sieć koderów do grupowania nienadzorowanego
13.5. Implementacja nienadzorowanego grupowania w Keras
13.6. Walidacja na zbiorze cyfr MNIST
13.7. Uczenie nienadzorowane poprzez maksymalizację informacji wzajemnej ciągłych zmiennych losowych
13.8. Szacowanie informacji wzajemnej dwuwymiarowego rozkładu Gaussa
13.9. Grupowanie nienadzorowane z wykorzystaniem ciągłych zmiennych losowych w Keras
13.10. Podsumowanie
13.11. Bibliografia

Kategoria:	Programowanie
Język:	Polski
Zabezpieczenie:	Watermark Watermark Watermarkowanie polega na znakowaniu plików wewnątrz treści, dzięki czemu możliwe jest rozpoznanie unikatowej licencji transakcyjnej Użytkownika. E-książki zabezpieczone watermarkiem można odczytywać na wszystkich urządzeniach odtwarzających wybrany format (czytniki, tablety, smartfony). Nie ma również ograniczeń liczby licencji oraz istnieje możliwość swobodnego przenoszenia plików między urządzeniami. Pliki z watermarkiem są kompatybilne z popularnymi programami do odczytywania ebooków, jak np. Calibre oraz aplikacjami na urządzenia mobilne na takie platformy jak iOS oraz Android.
ISBN:	978-83-283-8884-0
Rozmiar pliku:	30 MB
Użytkowanie:	w granicach licencji Informacje na temat użytkowania Kopia przeznaczona jest wyłącznie do własnego użytku osobistego w granicach udzielonej licencji. Wszelkie prawa są zastrzeżone chyba, że właściciel praw autorskich udzieli wyraźnej licencji. Z wyjątkiem sytuacji dopuszczalnych przez prawo lub uzyskania zgody uprawnionego z tytułu praw autorskich, jakiekolwiek powielanie, montaż, wyświetlanie, wypożyczanie, publiczne pokazy czy inne rozpowszechnianie zawartości tej kopii lub jej fragmentów czy części jest bezwzględnie zabronione. Niniejsza kopia nie może być przedmiotem odsprzedaży czy dystrybucji i sprzedaży handlowej bez uzyskania odpowiedniej licencji udzielonej przez Virtualo sp. z o.o.
Drukowanie:	w granicach licencji Informacje na temat użytkowania Kopia przeznaczona jest wyłącznie do własnego użytku osobistego w granicach udzielonej licencji. Wszelkie prawa są zastrzeżone chyba, że właściciel praw autorskich udzieli wyraźnej licencji. Z wyjątkiem sytuacji dopuszczalnych przez prawo lub uzyskania zgody uprawnionego z tytułu praw autorskich, jakiekolwiek powielanie, montaż, wyświetlanie, wypożyczanie, publiczne pokazy czy inne rozpowszechnianie zawartości tej kopii lub jej fragmentów czy części jest bezwzględnie zabronione. Niniejsza kopia nie może być przedmiotem odsprzedaży czy dystrybucji i sprzedaży handlowej bez uzyskania odpowiedniej licencji udzielonej przez Virtualo sp. z o.o.
Kopiowanie:	w granicach licencji Informacje na temat użytkowania Kopia przeznaczona jest wyłącznie do własnego użytku osobistego w granicach udzielonej licencji. Wszelkie prawa są zastrzeżone chyba, że właściciel praw autorskich udzieli wyraźnej licencji. Z wyjątkiem sytuacji dopuszczalnych przez prawo lub uzyskania zgody uprawnionego z tytułu praw autorskich, jakiekolwiek powielanie, montaż, wyświetlanie, wypożyczanie, publiczne pokazy czy inne rozpowszechnianie zawartości tej kopii lub jej fragmentów czy części jest bezwzględnie zabronione. Niniejsza kopia nie może być przedmiotem odsprzedaży czy dystrybucji i sprzedaży handlowej bez uzyskania odpowiedniej licencji udzielonej przez Virtualo sp. z o.o.

Deep learning z TensorFlow 2 i Keras dla zaawansowanych. Sieci GAN i VAE, deep RL, uczenie nienadzorowane, wykrywanie i segmentacja obiektów i nie tylko - ebook

Spis treści

BESTSELLERY