Deep Learning. Praca z językiem R i biblioteką Keras
- Autorzy:
- Francois Chollet, J. J. Allaire
- Wydawnictwo:
- Helion
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 376
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Deep Learning. Praca z językiem R i biblioteką Keras
W ostatnich latach byliśmy świadkami ogromnego postępu technik sztucznej inteligencji, uczenia maszynowego oraz uczenia głębokiego. Konsekwencje tego błyskawicznego rozwoju są odczuwalne w niemal każdej dziedzinie. Wydaje się, że to jedna z tych technologii, które powinny być dostępne dla jak najszerszej grupy ludzi. Dopiero wtedy uczenie głębokie wykorzysta w pełni swój potencjał i stanie się prawdziwym impulsem rozwoju naszej cywilizacji. Co prawda na pierwszy rzut oka ta niesamowita technologia może wydawać się wyjątkowo skomplikowana i trudna do zrozumienia, warto jednak wykorzystać dostępne narzędzia, takie jak biblioteka Keras i język R, aby implementować mechanizmy uczenia głębokiego wszędzie tam, gdzie okażą się przydatne.
Ta książka jest znakomitym przewodnikiem po technikach uczenia głębokiego. Poza wyczerpująco przedstawionymi podstawami znajdziesz tu zasady implementacji tych technik z wykorzystaniem języka R i biblioteki Keras. Dzięki przystępnym wyjaśnieniom i praktycznym przykładom szybko zrozumiesz nawet bardziej skomplikowane zagadnienia uczenia głębokiego. Poznasz koncepcje i dobre praktyki związane z tworzeniem mechanizmów analizy obrazu, przetwarzania języka naturalnego i modeli generatywnych. Przeanalizujesz ponad 30 przykładów kodu uzupełnionego dokładnymi komentarzami. W efekcie szybko przygotujesz się do korzystania z uczenia głębokiego w rozwiązywaniu konkretnych problemów.
W tej książce między innymi:
- podstawowe koncepcje sztucznej inteligencji, uczenia maszynowego i uczenia głębokiego
- wprowadzenie do budowy i trenowania sieci neuronowych
- uczenie głębokie w przetwarzaniu obrazów
- modele generatywne tworzące obrazy i tekst
- perspektywy i ograniczenia uczenia głębokiego
Uczenie głębokie: zafascynuj się i zaimplementuj!
W ciągu ostatnich kilku lat nastąpił ogromny postęp w rozwoju uczenia maszynowego. Systemy uczenia głębokiego umożliwiają działanie aplikacji, które wcześniej były uznawane za niemożliwe do wykonania, zrewolucjonizowały proces rozpoznawania obrazu, przetwarzania języka naturalnego i identyfikowania złożonych wzorców obecnych w zgromadzonych danych. Biblioteka Keras stanowi doskonałe narzędzie umożliwiające programistom i analitykom pracującym w R wykonywanie różnych zadań wymagających stosowania technik uczenia głębokiego.
Uczenie głębokie w języku R to książka, dzięki której nauczysz się korzystać z technik uczenia głębokiego implementowanych za pomocą języka R i mającej ogromne możliwości biblioteki Keras. Pierwowzór tej książki dotyczył Pythona (Uczenie głębokie w języku Python). Jego autorem jest twórca biblioteki Keras będący jednocześnie pracownikiem firmy Google zajmującym się rozwojem sztucznej inteligencji - Francois Chollet. J. J. Allaire (założyciel RStudio) zmodyfikował treść pierwowzoru - wszystkie opisane techniki zostały zaimplementowane za pomocą języka R. Intuicyjne wyjaśnienia i praktyczne przykłady pozwolą Ci zrozumieć nawet bardziej skomplikowane zagadnienia zwiazane z uczeniem głębokim. Dzięki lekturze tej książki poznasz koncepcje i dobre praktyki związane z tworzeniem mechanizmów analizy obrazu, przetwarzania języka naturalnego i modeli generatywnych.
Czego nauczysz się podczas lektury?
- Podstawowych zasad uczenia głębokiego.
- Konfiguracji środowiska programistycznego przystosowanego do tworzenia mechanizmów uczenia głębokiego.
- Tworzenia modeli klasyfikujących obrazy.
- Implementacji rozwiązań uczenia głębokiego przeznaczonych do przetwarzania tekstu i danych o charakterze sekwencyjnym.
Do pełnego zrozumienia tej książki wymagana jest średnio-zaawansowana znajomość języka R. Nie musisz mieć żadnego doświadczenia w stosowaniu technik uczenia maszynowego.
"To najprostszy podręcznik uczenia głębokiego, na jaki trafiłem. (...) Lektura tej książki to prawdziwa przyjemność".
Richard Tobias, Cephasonics
"Wspaniała, głęboka, praktyczna i nowatorska pozycja wprowadzająca do uczenia głębokiego".
David Blumenthal-Barby, Babbel
"Książka ta wypełnia lukę pomiędzy fascynacją systemami uczenia głębokiego a ich praktycznym zastosowaniem".
Peter Rabinovitch, Akamai
"Książka opisuje i doskonale wyjaśnia wszystkie najważniejsze zagadnienia i koncepcje związane z uczeniem głębokim - zamiast wzorów matematycznych zastosowano w niej przykłady kodu i diagramy".
Srdjan Santic, Springboard.com
Wybrane bestsellery
-
Niniejsza książka jest praktycznym przewodnikiem po uczeniu głębokim. Znalazły się tu dokładne informacje o istocie uczenia głębokiego, o jego zastosowaniach i ograniczeniach. Wyjaśniono zasady rozwiązywania typowych problemów uczenia maszynowego. Pokazano, jak korzystać z pakietu Keras przy impl...
Deep Learning. Praca z językiem Python i biblioteką Keras Deep Learning. Praca z językiem Python i biblioteką Keras
(41.30 zł najniższa cena z 30 dni)38.35 zł
79.00 zł(-51%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
(71.20 zł najniższa cena z 30 dni)57.84 zł
89.00 zł(-35%) -
Oto drugie, zaktualizowane wydanie znakomitego przewodnika dla analityków danych. Dzięki niemu dowiesz się, w jaki sposób używać języka R do importowania, przekształcania i wizualizowania danych, a także do przekazywania uzyskanych wyników analizy. Nauczysz się też rozwiązywać najczęściej występu...
Język R w data science. Importowanie, porządkowanie, przekształcanie, wizualizowanie i modelowanie danych. Wydanie II Język R w data science. Importowanie, porządkowanie, przekształcanie, wizualizowanie i modelowanie danych. Wydanie II
(103.20 zł najniższa cena z 30 dni)103.20 zł
129.00 zł(-20%) -
Poznaj świat programowania w R, języku stworzonym z myślą o statystyce, analizie danych i wizualizacji. Ta kompleksowa książka poprowadzi Cię krok po kroku od zupełnych podstaw aż po zaawansowane techniki, wszystko to w ciągu jednego dnia. Oto, czego się nauczysz: Podstawy języka R: Zrozumi...
Język R w jeden dzień. R od podstaw, po zaawansowane techniki Język R w jeden dzień. R od podstaw, po zaawansowane techniki
-
Odkryj fascynujący świat sztucznej inteligencji (AI) bez zbędnych komplikacji! Ta książka to idealny przewodnik dla każdego, kto chce zrozumieć, jak AI zmienia nasz świat, od podstawowych pojęć po zaawansowane technologie. Dzięki jasnym wyjaśnieniom i przystępnemu językowi, autor demistyfikuje sk...
AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki
-
Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie. Przejrzyście wyjaśni...
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
(40.20 zł najniższa cena z 30 dni)43.55 zł
67.00 zł(-35%) -
W dzisiejszej praktyce biznesowej duże znaczenie mają dane i ich analiza. W analizie zastosowanie znajduje wiele modeli statystycznych, implementowanych w różnych programach komputerowych. Na przykład Excel ma specjalny dodatek, nazwany po prostu Analiza Danych. Bardzo popularne narzędzie stanowi...
R i pakiet shiny. Kurs video. Interaktywne aplikacje w analizie danych R i pakiet shiny. Kurs video. Interaktywne aplikacje w analizie danych
(39.90 zł najniższa cena z 30 dni)74.50 zł
149.00 zł(-50%) -
Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć ...
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
(41.40 zł najniższa cena z 30 dni)44.85 zł
69.00 zł(-35%) -
Książka jest adresowana do wszystkich, którzy chcą budować, rozwijać i skalować systemy NLP w środowisku biznesowym, a także dostosowywać je do swojej branży. Opisuje tworzenie rzeczywistych aplikacji NLP. Omawia pełny cykl życia typowego projektu NLP, od zbierania danych po wdrożenie i monitorow...
Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP
Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, Harshit Surana
(65.40 zł najniższa cena z 30 dni)70.85 zł
109.00 zł(-35%) -
Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie p...
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
(107.40 zł najniższa cena z 30 dni)116.35 zł
179.00 zł(-35%)
O autorach ebooka
François Chollet jest znany przede wszystkim jako autor biblioteki uczenia głębokiego Keras. Obecnie pracuje w firmie Google w Mountain View w Kalifornii. Jest niekwestionowanym autorytetem w takich dziedzinach jak uczenie maszynowe i rozwój sztucznej inteligencji. Zajmuje się również rozwojem technik uczenia głębokiego związanych z przetwarzaniem obrazu oraz procesami logicznego myślenia. Zabierał głos na najważniejszych konferencjach branżowych.
J.J. Allaire jest twórcą zintegrowanego środowiska programistycznego RStudio. Opracował interfejsy pozwalające na stosowanie pakietów Keras i TensorFlow podczas pracy w R.
Ebooka "Deep Learning. Praca z językiem R i biblioteką Keras" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Deep Learning. Praca z językiem R i biblioteką Keras" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Deep Learning. Praca z językiem R i biblioteką Keras" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- Tytuł oryginału:
- Deep Learning with R
- Tłumaczenie:
- Konrad Matuk
- ISBN Książki drukowanej:
- 978-83-283-4780-9, 9788328347809
- Data wydania książki drukowanej:
- 2019-03-19
- ISBN Ebooka:
- 978-83-283-4781-6, 9788328347816
- Data wydania ebooka:
- 2019-03-19 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Format:
- 168x237
- Numer z katalogu:
- 85003
- Rozmiar pliku Pdf:
- 10.3MB
- Rozmiar pliku ePub:
- 21.0MB
- Rozmiar pliku Mobi:
- 34.8MB
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści ebooka
- 1.1. Sztuczna inteligencja, uczenie maszynowe i uczenie głębokie 22
- 1.1.1. Sztuczna inteligencja 22
- 1.1.2. Uczenie maszynowe 22
- 1.1.3. Formy danych umożliwiające uczenie 24
- 1.1.4. "Głębia" uczenia głębokiego 26
- 1.1.5. Działanie uczenia głębokiego przedstawione na trzech rysunkach 27
- 1.1.6. Co dotychczas osiągnięto za pomocą uczenia głębokiego? 29
- 1.1.7. Nie wierz w tymczasową popularność 30
- 1.1.8. Nadzieje na powstanie sztucznej inteligencji 31
- 1.2. Zanim pojawiło się uczenie głębokie: krótka historia uczenia maszynowego 32
- 1.2.1. Modelowanie probabilistyczne 32
- 1.2.2. Wczesne sieci neuronowe 33
- 1.2.3. Metody jądrowe 33
- 1.2.4. Drzewa decyzyjne, lasy losowe i gradientowe wzmacnianie maszyn 35
- 1.2.5. Powrót do sieci neuronowych 35
- 1.2.6. Co wyróżnia uczenie głębokie? 36
- 1.2.7. Współczesne uczenie maszynowe 37
- 1.3. Dlaczego uczenie głębokie? Dlaczego teraz? 38
- 1.3.1. Sprzęt 38
- 1.3.2. Dane 39
- 1.3.3. Algorytmy 40
- 1.3.4. Nowa fala inwestycji 40
- 1.3.5. Demokratyzacja uczenia głębokiego 41
- 1.3.6. Co dalej? 41
- 2.1. Pierwszy przykład sieci neuronowej 44
- 2.2. Reprezentacja danych sieci neuronowych 47
- 2.2.1. Skalary (tensory zerowymiarowe) 48
- 2.2.2. Wektory (tensory jednowymiarowe) 48
- 2.2.3. Macierze (tensory dwuwymiarowe) 48
- 2.2.4. Trójwymiarowe tensory i tensory o większej liczbie wymiarów 49
- 2.2.5. Główne atrybuty 49
- 2.2.6. Obsługa tensorów R 50
- 2.2.7. Wsad danych 50
- 2.2.8. Prawdziwe przykłady tensorów danych 51
- 2.2.9. Dane wektorowe 51
- 2.2.10. Dane szeregu czasowego i dane sekwencyjne 52
- 2.2.11. Dane w postaci obrazów 52
- 2.2.12. Materiały wideo 53
- 2.3. Koła zębate sieci neuronowych: operacje na tensorach 53
- 2.3.1. Operacje wykonywane element po elemencie 54
- 2.3.2. Operacje na tensorach o różnych wymiarach 55
- 2.3.3. Iloczyn tensorowy 55
- 2.3.4. Zmiana kształtu tensora 57
- 2.3.5. Geometryczna interpretacja operacji tensorowych 58
- 2.3.6. Interpretacja geometryczna uczenia głębokiego 59
- 2.4. Silnik sieci neuronowych: optymalizacja gradientowa 60
- 2.4.1. Czym jest pochodna? 61
- 2.4.2. Pochodna operacji tensorowej: gradient 62
- 2.4.3. Stochastyczny spadek wzdłuż gradientu 63
- 2.4.4. Łączenie pochodnych: algorytm propagacji wstecznej 66
- 2.5. Ponowna analiza pierwszego przykładu 67
- 2.6. Podsumowanie rozdziału 68
- 3.1. Anatomia sieci neuronowej 72
- 3.1.1. Warstwy: podstawowe bloki konstrukcyjne uczenia głębokiego 72
- 3.1.2. Modele: sieci warstw 73
- 3.1.3. Funkcja straty i optymalizatory: najważniejsze elementy konfiguracji procesu uczenia 74
- 3.2. Wprowadzenie do pakietu Keras 75
- 3.2.1. Keras, TensorFlow, Theano i CNTK 76
- 3.2.2. Instalowanie pakietu Keras 77
- 3.2.3. Praca z pakietem Keras: krótkie wprowadzenie 77
- 3.3. Przygotowanie stacji roboczej do uczenia głębokiego 79
- 3.3.1. Dwie opcje uruchamiania pakietu Keras 79
- 3.3.2. Wady i zalety uruchamiania uczenia głębokiego w chmurze 80
- 3.3.3. Jaki procesor graficzny najlepiej nadaje się do uczenia głębokiego? 80
- 3.4. Przykład klasyfikacji binarnej: klasyfikacja recenzji filmów 81
- 3.4.1. Zbiór danych IMDB 81
- 3.4.2. Przygotowywanie danych 82
- 3.4.3. Budowa sieci neuronowej 83
- 3.4.4. Walidacja modelu 87
- 3.4.5. Używanie wytrenowanej sieci do generowania przewidywań dotyczących nowych danych 90
- 3.4.6. Dalsze eksperymenty 90
- 3.4.7. Wnioski 91
- 3.5. Przykład klasyfikacji wieloklasowej: klasyfikacja krótkich artykułów prasowych 91
- 3.5.1. Zbiór danych Agencji Reutera 91
- 3.5.2. Przygotowywanie danych 93
- 3.5.3. Budowanie sieci 93
- 3.5.4. Walidacja modelu 94
- 3.5.5. Generowanie przewidywań dotyczących nowych danych 96
- 3.5.6. Inne sposoby obsługi etykiet i funkcji straty 97
- 3.5.7. Dlaczego warto tworzyć odpowiednio duże warstwy pośrednie? 97
- 3.5.8. Dalsze eksperymenty 98
- 3.5.9. Wnioski 98
- 3.6. Przykład regresji: przewidywanie cen mieszkań 99
- 3.6.1. Zbiór cen mieszkań w Bostonie 99
- 3.6.2. Przygotowywanie danych 100
- 3.6.3. Budowanie sieci 100
- 3.6.4. K-składowa walidacja krzyżowa 101
- 3.6.5. Wnioski 105
- 3.7. Podsumowanie rozdziału 105
- 4.1. Cztery rodzaje uczenia maszynowego 108
- 4.1.1. Uczenie nadzorowane 108
- 4.1.2. Uczenie nienadzorowane 108
- 4.1.3. Uczenie częściowo nadzorowane 109
- 4.1.4. Uczenie przez wzmacnianie 109
- 4.2. Ocena modeli uczenia maszynowego 109
- 4.2.1. Zbiory treningowe, walidacyjne i testowe 111
- 4.2.2. Rzeczy, o których warto pamiętać 114
- 4.3. Wstępna obróbka danych, przetwarzanie cech i uczenie cech 114
- 4.3.1. Przygotowywanie danych do przetwarzania przez sieci neuronowe 115
- 4.3.2. Przetwarzanie cech 116
- 4.4. Nadmierne dopasowanie i zbyt słabe dopasowanie 118
- 4.4.1. Redukcja rozmiaru sieci 119
- 4.4.2. Dodawanie regularyzacji wag 121
- 4.4.3. Porzucanie - technika dropout 123
- 4.5. Uniwersalny przepływ roboczy uczenia maszynowego 125
- 4.5.1. Definiowanie problemu i przygotowywanie zbioru danych 125
- 4.5.2. Wybór miary sukcesu 126
- 4.5.3. Określanie techniki oceny wydajności modelu 127
- 4.5.4. Przygotowywanie danych 127
- 4.5.5. Tworzenie modeli lepszych od linii bazowej 128
- 4.5.6. Skalowanie w górę: tworzenie modelu, który ulega nadmiernemu dopasowaniu 129
- 4.5.7. Regularyzacja modelu i dostrajanie jego hiperparametrów 129
- 4.6. Podsumowanie rozdziału 130
- 5.1. Wprowadzenie do konwolucyjnych sieci neuronowych 134
- 5.1.1. Działanie sieci konwolucyjnej 136
- 5.1.2. Operacja max-pooling 141
- 5.2. Trenowanie konwolucyjnej sieci neuronowej na małym zbiorze danych 143
- 5.2.1. Stosowanie uczenia głębokiego w problemach małych zbiorów danych 144
- 5.2.2. Pobieranie danych 144
- 5.2.3. Budowa sieci neuronowej 147
- 5.2.4. Wstępna obróbka danych 148
- 5.2.5. Stosowanie techniki augmentacji danych 151
- 5.3. Korzystanie z wcześniej wytrenowanej konwolucyjnej sieci neuronowej 155
- 5.3.1. Ekstrakcja cech 155
- 5.3.2. Dostrajanie 163
- 5.3.3. Wnioski 167
- 5.4. Wizualizacja efektów uczenia konwolucyjnych sieci neuronowych 168
- 5.4.1. Wizualizacja pośrednich aktywacji 169
- 5.4.2. Wizualizacja filtrów konwolucyjnych sieci neuronowych 175
- 5.4.3. Wizualizacja map ciepła aktywacji klas 181
- 5.5. Podsumowanie rozdziału 185
- 6.1. Praca z danymi tekstowymi 188
- 6.1.1. Kodowanie słów i znaków metodą gorącej jedynki 189
- 6.1.2. Osadzanie słów 192
- 6.1.3. Łączenie wszystkich technik: od surowego tekstu do osadzenia słów 197
- 6.1.4. Wnioski 203
- 6.2. Rekurencyjne sieci neuronowe 203
- 6.2.1. Warstwa rekurencyjna w pakiecie Keras 206
- 6.2.2. Warstwy LSTM i GRU 209
- 6.2.3. Przykład warstwy LSTM zaimplementowanej w pakiecie Keras 212
- 6.2.4. Wnioski 213
- 6.3. Zaawansowane zastosowania rekurencyjnych sieci neuronowych 214
- 6.3.1. Problem prognozowania temperatury 214
- 6.3.2. Przygotowywanie danych 217
- 6.3.3. Punkt odniesienia w postaci zdrowego rozsądku 220
- 6.3.4. Podstawowe rozwiązanie problemu przy użyciu techniki uczenia maszynowego 221
- 6.3.5. Punkt odniesienia w postaci pierwszego modelu rekurencyjnego 223
- 6.3.6. Stosowanie rekurencyjnego porzucania w celu zmniejszenia nadmiernego dopasowania 225
- 6.3.7. Tworzenie stosów warstw rekurencyjnych 226
- 6.3.8. Korzystanie z dwukierunkowych rekurencyjnych sieci neuronowych 228
- 6.3.9. Kolejne rozwiązania 232
- 6.3.10. Wnioski 233
- 6.4. Konwolucyjne sieci neuronowe i przetwarzanie sekwencji 234
- 6.4.1. Przetwarzanie sekwencji za pomocą jednowymiarowej sieci konwolucyjnej 234
- 6.4.2. Jednowymiarowe łączenie danych sekwencyjnych 235
- 6.4.3. Implementacja jednowymiarowej sieci konwolucyjnej 235
- 6.4.4. Łączenie sieci konwolucyjnych i rekurencyjnych w celu przetworzenia długich sekwencji 237
- 6.4.5. Wnioski 241
- 6.5. Podsumowanie rozdziału 242
- 7.1. Funkcjonalny interfejs programistyczny pakietu Keras: wykraczanie poza model sekwencyjny 246
- 7.1.1. Wprowadzenie do funkcjonalnego interfejsu API 247
- 7.1.2. Modele z wieloma wejściami 249
- 7.1.3. Modele z wieloma wyjściami 251
- 7.1.4. Skierowane acykliczne grafy warstw 254
- 7.1.5. Udostępnianie wag warstwy 258
- 7.1.6. Modele pełniące funkcję warstw 259
- 7.1.7. Wnioski 260
- 7.2. Monitorowanie modeli uczenia głębokiego przy użyciu wywołań zwrotnych pakietu Keras i narzędzia TensorBoard 260
- 7.2.1. Używanie wywołań zwrotnych w celu sterowania procesem trenowania modelu 260
- 7.2.2. Wprowadzenie do TensorBoard - platformy wizualizacji danych pakietu TensorFlow 264
- 7.2.3. Wnioski 268
- 7.3. Korzystanie z pełni możliwości modeli 268
- 7.3.1. Konstrukcja zaawansowanych architektur 269
- 7.3.2. Optymalizacja hiperparametru 272
- 7.3.3. Składanie modeli 274
- 7.3.4. Wnioski 276
- 7.4. Podsumowanie rozdziału 276
- 8.1. Generowanie tekstu za pomocą sieci LSTM 281
- 8.1.1. Krótka historia generatywnych sieci rekurencyjnych 281
- 8.1.2. Generowanie danych sekwencyjnych 282
- 8.1.3. Dlaczego strategia próbkowania jest ważna? 282
- 8.1.4. Implementacja algorytmu LSTM generującego tekst na poziomie liter 285
- 8.1.5. Wnioski 289
- 8.2. DeepDream 290
- 8.2.1. Implementacja algorytmu DeepDream w pakiecie Keras 291
- 8.2.2. Wnioski 296
- 8.3. Neuronowy transfer stylu 297
- 8.3.1. Strata treści 298
- 8.3.2. Strata stylu 298
- 8.3.3. Implementacja neuronowego transferu stylu przy użyciu pakietu Keras 299
- 8.3.4. Wnioski 304
- 8.4. Generowanie obrazów przy użyciu wariacyjnych autoenkoderów 306
- 8.4.1. Próbkowanie z niejawnej przestrzeni obrazów 306
- 8.4.2. Wektory koncepcyjne używane podczas edycji obrazu 307
- 8.4.3. Wariacyjne autoenkodery 308
- 8.4.4. Wnioski 314
- 8.5. Wprowadzenie do generatywnych sieci z przeciwnikiem 315
- 8.5.1. Schematyczna implementacja sieci GAN 316
- 8.5.2. Zbiór przydatnych rozwiązań 317
- 8.5.3. Generator 318
- 8.5.4. Dyskryminator 319
- 8.5.5. Sieć z przeciwnikiem 320
- 8.5.6. Trenowanie sieci DCGAN 320
- 8.5.7. Wnioski 322
- 8.6. Podsumowanie rozdziału 323
- 9.1. Przypomnienie najważniejszych koncepcji 326
- 9.1.1. Sztuczna inteligencja 326
- 9.1.2. Co sprawia, że uczenie głębokie to wyjątkowa dziedzina uczenia maszynowego? 326
- 9.1.3. Jak należy traktować uczenie głębokie? 327
- 9.1.4. Najważniejsze technologie 328
- 9.1.5. Uniwersalny przepływ roboczy uczenia maszynowego 329
- 9.1.6. Najważniejsze architektury sieci 330
- 9.1.7. Przestrzeń możliwości 334
- 9.2. Ograniczenia uczenia głębokiego 336
- 9.2.1. Ryzyko antropomorfizacji modeli uczenia maszynowego 337
- 9.2.2. Lokalne uogólnianie a ekstremalne uogólnianie 339
- 9.2.3. Wnioski 340
- 9.3. Przyszłość uczenia głębokiego 341
- 9.3.1. Modele jako programy 342
- 9.3.2. Wykraczanie poza algorytm propagacji wstecznej i warstwy różniczkowalne 343
- 9.3.3. Zautomatyzowane uczenie maszynowe 344
- 9.3.4. Nieustanne uczenie się i wielokrotne używanie modułowych procedur składowych 345
- 9.3.5. Przewidywania dotyczące dalekiej przyszłości 346
- 9.4. Bycie na bieżąco z nowościami związanymi z szybko rozwijającą się dziedziną 348
- 9.4.1. Zdobywaj wiedzę praktyczną, pracując z prawdziwymi problemami przedstawianymi w serwisie Kaggle 348
- 9.4.2. Czytaj o nowych rozwiązaniach w serwisie arXiv 348
- 9.4.3. Eksploruj ekosystem związany z pakietem Keras 349
- 9.5. Ostatnie słowa 349
Przedmowa 9
Podziękowania 11
O książce 13
O autorach 17
CZĘŚĆ I. PODSTAWY UCZENIA GŁĘBOKIEGO 19
Rozdział 1. Czym jest uczenie głębokie? 21
Rozdział 2. Matematyczne podstawy sieci neuronowych 43
Rozdział 3. Rozpoczynamy korzystanie z sieci neuronowych 71
Rozdział 4. Podstawy uczenia maszynowego 107
CZĘŚĆ II. UCZENIE GŁĘBOKIE W PRAKTYCE 131
Rozdział 5. Uczenie głębokie i przetwarzanie obrazu 133
Rozdział 6. Uczenie głębokie w przetwarzaniu tekstu i sekwencji 187
Rozdział 7. Najlepsze zaawansowane praktyki uczenia głębokiego 245
Rozdział 8. Stosowanie uczenia głębokiego w celu generowania danych 279
Rozdział 9. Wnioski 325
DODATKI 351
Dodatek A. Instalowanie pakietu Keras i innych bibliotek niezbędnych do jego działania w systemie Ubuntu 353
Dodatek B. Uruchamianie kodu w środowisku RStudio Server przy użyciu zdalnej instancji procesora graficznego EC2 359
Skorowidz 365
Oceny i opinie klientów: Deep Learning. Praca z językiem R i biblioteką Keras Francois Chollet, J. J. Allaire (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.