Facebook - konwersja
Pobierz fragment

Uczenie głębokie od zera. Podstawy implementacji w Pythonie - ebook

Wydawnictwo:
Data wydania:
25 maja 2020
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.
, EPUB
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.
, 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.
(3w1)
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
69,00

Uczenie głębokie od zera. Podstawy implementacji w Pythonie - ebook

Uczenie głębokie (ang. deep learning) zyskuje ostatnio ogromną popularność. Jest to ściśle związane z coraz częstszym zastosowaniem sieci neuronowych w przeróżnych branżach i dziedzinach. W konsekwencji inżynierowie oprogramowania, specjaliści do spraw przetwarzania danych czy osoby w praktyce zajmujące się uczeniem maszynowym muszą zdobyć solidną wiedzę o tych zagadnieniach. Przede wszystkim trzeba dogłębnie zrozumieć podstawy uczenia głębokiego. Dopiero po uzyskaniu biegłości w posługiwaniu się poszczególnymi koncepcjami i modelami możliwe jest wykorzystanie w pełni potencjału tej dynamicznie rozwijającej się technologii.

Ten praktyczny podręcznik, poświęcony podstawom uczenia głębokiego, zrozumiale i wyczerpująco przedstawia zasady działania sieci neuronowych z trzech różnych poziomów: matematycznego, obliczeniowego i konceptualnego. Takie podejście wynika z faktu, że dogłębne zrozumienie sieci neuronowych wymaga nie jednego, ale kilku modeli umysłowych, z których każdy objaśnia inny aspekt działania tych sieci. Zaprezentowano tu również techniki implementacji poszczególnych elementów w języku Python, co pozwala utworzyć działające sieci neuronowe. Dzięki tej książce stanie się jasne, w jaki sposób należy tworzyć, uczyć i stosować wielowarstwowe, konwolucyjne i rekurencyjne sieci neuronowe w różnych praktycznych zastosowaniach.

W książce między innymi:

  • matematyczne podstawy uczenia głębokiego
  • tworzenie modeli do rozwiązywania praktycznych problemów
  • standardowe i niestandardowe techniki treningu sieci neuronowych
  • rozpoznawanie obrazów za pomocą konwolucyjnych sieci neuronowych
  • rekurencyjne sieci neuronowe, ich działanie i implementacja
  • praca z wykorzystaniem biblioteki PyTorch

Uczenie głębokie: zrozum, zanim zaimplementujesz!

Spis treści

 

Wprowadzenie 9

 

1. Podstawowe zagadnienia 15

  • Funkcje 16
    • Matematyka 16
    • Diagramy 16
    • Kod 17
  • Pochodne 20
    • Matematyka 20
    • Diagramy 20
    • Kod 21
  • Funkcje zagnieżdżone 22
    • Diagram 22
    • Matematyka 22
    • Kod 23
    • Inny diagram 23
  • Reguła łańcuchowa 24
    • Matematyka 24
    • Diagram 24
    • Kod 25
  • Nieco dłuższy przykład 27
    • Matematyka 27
    • Diagram 27
    • Kod 28
  • Funkcje z wieloma danymi wejściowymi 29
    • Matematyka 30
    • Diagram 30
    • Kod 30
  • Pochodne funkcji z wieloma danymi wejściowymi 31
    • Diagram 31
    • Matematyka 31
    • Kod 32
  • Funkcje przyjmujące wiele wektorów jako dane wejściowe 32
    • Matematyka 33
  • Tworzenie nowych cech na podstawie istniejących 33
    • Matematyka 33
    • Diagram 33
    • Kod 34
  • Pochodne funkcji z wieloma wektorami wejściowymi 35
    • Diagram 35
    • Matematyka 36
    • Kod 36
  • Następny etap - funkcje wektorowe i ich pochodne 37
    • Diagram 37
    • Matematyka 37
    • Kod 38
    • Funkcje wektorowe i ich pochodne w kroku wstecz 38
  • Grafy obliczeniowe z danymi wejściowymi w postaci dwóch macierzy dwuwymiarowych 40
    • Matematyka 41
    • Diagram 43
    • Kod 43
  • Ciekawa część - krok wstecz 43
    • Diagram 44
    • Matematyka 44
    • Kod 46
  • Podsumowanie 50

2. Wprowadzenie do budowania modeli 51

  • Wstęp do uczenia nadzorowanego 52
  • Modele uczenia nadzorowanego 53
  • Regresja liniowa 55
    • Regresja liniowa - diagram 55
    • Regresja liniowa - bardziej pomocny diagram (i obliczenia matematyczne) 57
    • Dodawanie wyrazu wolnego 58
    • Regresja liniowa - kod 58
  • Uczenie modelu 59
    • Obliczanie gradientów - diagram 59
    • Obliczanie gradientów - matematyka (i trochę kodu) 60
    • Obliczanie gradientów - (kompletny) kod 61
    • Używanie gradientów do uczenia modelu 62
  • Ocena modelu - testowe i treningowe zbiory danych 63
  • Ocena modelu - kod 63
    • Analizowanie najważniejszej cechy 65
  • Budowanie sieci neuronowych od podstaw 66
    • Krok 1. Zestaw regresji liniowych 67
    • Krok 2. Funkcja nieliniowa 67
    • Krok 3. Inna regresja liniowa 68
    • Diagramy 68
    • Kod 70
    • Sieci neuronowe - krok wstecz 71
  • Uczenie i ocena pierwszej sieci neuronowej 73
    • Dwa powody, dla których nowy model jest lepszy 74
  • Podsumowanie 75

3. Deep learning od podstaw 77

  • Definicja procesu deep learning - pierwszy krok 77
  • Elementy sieci neuronowych - operacje 79
    • Diagram 79
    • Kod 80
  • Elementy sieci neuronowych - warstwy 82
    • Diagramy 82
  • Elementy z elementów 84
    • Wzorzec warstwy 86
    • Warstwa gęsta 88
  • Klasa NeuralNetwork (i ewentualnie inne) 89
    • Diagram 89
    • Kod 90
    • Klasa Loss 90
  • Deep learning od podstaw 92
    • Implementowanie treningu na porcjach danych 92
    • Klasa NeuralNetwork - kod 93
  • Nauczyciel i optymalizator 95
    • Optymalizator 95
    • Nauczyciel 97
  • Łączenie wszystkich elementów 98
    • Pierwszy model z dziedziny deep learning (napisany od podstaw) 99
  • Podsumowanie i dalsze kroki 100

4. Rozszerzenia 101

  • Intuicyjne rozważania na temat sieci neuronowych 102
  • Funkcja straty - funkcja softmax z entropią krzyżową 104
    • Komponent nr 1. Funkcja softmax 104
    • Komponent nr 2. Entropia krzyżowa 105
    • Uwaga na temat funkcji aktywacji 108
  • Eksperymenty 111
    • Wstępne przetwarzanie danych 111
    • Model 112
    • Eksperyment: wartość straty z użyciem funkcji softmax z entropią krzyżową 113
  • Współczynnik momentum 113
    • Intuicyjny opis współczynnika momentum 114
    • Implementowanie współczynnika momentum w klasie Optimizer 114
    • Eksperyment - algorytm SGD ze współczynnikiem momentum 116
  • Zmniejszanie współczynnika uczenia 116
    • Sposoby zmniejszania współczynnika uczenia 116
    • Eksperymenty - zmniejszanie współczynnika uczenia 118
  • Inicjowanie wag 119
    • Matematyka i kod 120
    • Eksperymenty - inicjowanie wag 121
  • Dropout 122
    • Definicja 122
    • Implementacja 122
    • Eksperymenty - dropout 123
  • Podsumowanie 125

5. Konwolucyjne sieci neuronowe 127

  • Sieci neuronowe i uczenie reprezentacji 127
    • Inna architektura dla danych graficznych 128
    • Operacja konwolucji 129
    • Wielokanałowa operacja konwolucji 131
  • Warstwy konwolucyjne 131
    • Wpływ na implementację 132
    • Różnice między warstwami konwolucyjnymi a warstwami gęstymi 133
    • Generowanie predykcji z użyciem warstw konwolucyjnych - warstwa spłaszczania 134
    • Warstwy agregujące 135
  • Implementowanie wielokanałowej operacji konwolucji 137
    • Krok w przód 137
    • Konwolucja - krok wstecz 140
    • Porcje danych, konwolucje dwuwymiarowe i operacje wielokanałowe 144
    • Konwolucje dwuwymiarowe 145
    • Ostatni element - dodawanie kanałów 147
  • Używanie nowej operacji do uczenia sieci CNN 150
    • Operacja Flatten 150
    • Kompletna warstwa Conv2D 151
    • Eksperymenty 152
  • Podsumowanie 153

6. Rekurencyjne sieci neuronowe 155

  • Najważniejsze ograniczenie - przetwarzanie odgałęzień 156
  • Automatyczne różniczkowanie 158
    • Pisanie kodu do akumulowania gradientów 158
  • Powody stosowania sieci RNN 162
  • Wprowadzenie do sieci RNN 163
    • Pierwsza klasa dla sieci RNN - RNNLayer 164
    • Druga klasa dla sieci RNN - RNNNode 165
    • Łączenie obu klas 166
    • Krok wstecz 167
  • Sieci RNN - kod 169
    • Klasa RNNLayer 170
    • Podstawowe elementy sieci RNNNode 172
    • Zwykłe węzły RNNNode 173
    • Ograniczenia zwykłych węzłów RNNNode 175
    • Pierwsze rozwiązanie - węzły GRUNode 176
    • Węzły LSTMNode 179
    • Reprezentacja danych dla opartego na sieci RNN modelu języka naturalnego na poziomie znaków 182
    • Inne zadania z obszaru modelowania języka naturalnego 182
    • Łączenie odmian warstw RNNLayer 183
    • Łączenie wszystkich elementów 184
  • Podsumowanie 185

7. PyTorch 187

  • Typ Tensor w bibliotece PyTorch 187
  • Deep learning z użyciem biblioteki PyTorch 188
    • Elementy z biblioteki PyTorch - klasy reprezentujące model, warstwę, optymalizator i wartość straty 189
    • Implementowanie elementów sieci neuronowej za pomocą biblioteki PyTorch - warstwa DenseLayer 190
    • Przykład - modelowanie cen domów w Bostonie z użyciem biblioteki PyTorch 191
    • Elementy oparte na bibliotece PyTorch - klasy optymalizatora i wartości straty 192
    • Elementy oparte na bibliotece PyTorch - klasa nauczyciela 193
    • Sztuczki służące do optymalizowania uczenia w bibliotece PyTorch 195
  • Sieci CNN w bibliotece PyTorch 196
    • Klasa DataLoader i transformacje 198
    • Tworzenie sieci LSTM za pomocą biblioteki PyTorch 200
  • Postscriptum - uczenie nienadzorowane z użyciem autoenkoderów 202
    • Uczenie reprezentacji 203
    • Podejście stosowane w sytuacjach, gdy w ogóle nie ma etykiet 203
    • Implementowanie autoenkodera za pomocą biblioteki PyTorch 204
    • Trudniejszy test uczenia nienadzorowanego i rozwiązanie 209
  • Podsumowanie 210

A. Skok na głęboką wodę 211

  • Reguła łańcuchowa dla macierzy 211
  • Gradient dla wartości straty względem wyrazu wolnego 215
  • Konwolucje z użyciem mnożenia macierzy 215
Kategoria: Bazy danych
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: 978-83-283-6598-8
Rozmiar pliku: 4,0 MB

BESTSELLERY

Kategorie: