Zrozumieć głębokie uczenie

(ebook) (audiobook) (audiobook)

Autor:: Andrew W. Trask

Promocja Przejdź

Zrozumieć głębokie uczenie Andrew W. Trask - okładka książki

Zrozumieć głębokie uczenie Andrew W. Trask - okładka audiobooka MP3

Zrozumieć głębokie uczenie Andrew W. Trask - okładka audiobooks CD

Wydawnictwo:: Wydawnictwo Naukowe PWN
Ocena:: 5.0/6 Opinie: 1
Stron:: 340
2w1 w pakiecie:: ePub

Mobi

Ebook

~~89,00 zł~~ (-20%)
71,20 zł

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Książka Zrozumieć głębokie uczenie pokazuje, jak od zera budować sieci neuronowe głębokiego uczenia. Andrew Trask - doświadczony ekspert w tej dziedzinie, w swobodnym i przejrzystym stylu prezentuje leżącą w tle naukę, dzięki czemu możesz samodzielnie zrozumieć każdy szczegół nauczania sieci neuronowych. Jedynie przy użyciu Pythona i jego biblioteki matematycznej NumPy będziesz mógł uczyć swoje własne sieci neuronowe, aby samodzielnie zobaczyć i zrozumieć jak działa rozpoznawanie obrazów, tłumaczenie tekstów na różne języki, a nawet w jaki sposób pisać jak Szekspir! Po ukończeniu lektury będziesz gotów do poznawania platform głębokiego uczenia. Zawartość książki: Wiedza, na której opiera się głębokie uczenie Budowanie i uczenie swoich własnych sieci neuronowych Koncepcje ochrony prywatności, w tym uczenie sfederowane Wskazówki na temat dalszego studiowania głębokiego uczenia Książka przeznaczona jest dla czytelników dysponujących wiedzą matematyczną na poziomie szkoły średniej i średnimi umiejętnościami programistycznymi.

Ebooka przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook
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 posłuchasz:

w aplikacji Ebookpoint na Android, iOS, HarmonyOs
na systemach Windows, MacOS i innych

na dowolonych urządzeniach
i aplikacjach obsługujących format MP3
(pliki spakowane w ZIP)

Masz pytania? Zajrzyj do zakładki Pomoc »

Kurs Video zobaczysz:

Oceny i opinie klientów: Zrozumieć głębokie uczenie Andrew W. Trask (1)

6
(0)
5
(1)
4
(0)
3
(0)
2
(0)
1
(0)

5.0

5 potwierdzona zakupem i oceniona przez: 2021-10-21

Dobra pozycja dla kogoś, kto chce zrozumieć działanie sieci neuronowych od podstaw. Autor opisuje również aparat matematyczny, ale robi to w bardzo przystępny sposób.

Szczegóły książki

Tłumaczenie:: Marek Włodarz
ISBN Ebooka:: 978-83-012-0782-3, 9788301207823
Data wydania ebooka:: 2019-12-03 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@helion.pl.
Numer z katalogu:: 104869
Rozmiar pliku ePub:: 16.7MB
Rozmiar pliku Mobi:: 39.6MB

Kategorie:
Sieci komputerowe » Inne

Spis treści książki

Okładka
Strona tytułowa
Strona redakcyjna
Przedmowa
Podziękowania
O tej książce
O autorze
1. Wprowadzenie do głębokiego uczenia: dlaczego warto się tego nauczyć
- W tym rozdziale
- Zapraszamy do grokowania głębokiego uczenia
- Dlaczego warto opanować głębokie uczenie się
- Czy trudno będzie się tego nauczyć?
- Dlaczego powinieneś przeczytać tę książkę
- Co jest potrzebne, aby zacząć
- Zapewne potrzebna jest jakaś znajomość Pythona
- Podsumowanie
2. Podstawowe koncepcje: jak maszyny się uczą?
- W tym rozdziale
- Czym jest głębokie uczenie?
- Czym jest uczenie się maszyn?
- Nadzorowane uczenie się maszyn
- Nienadzorowane uczenie się maszyn
- Uczenie parametryczne kontra nieparametryczne
- Nadzorowane uczenie parametryczne
- Parametryczne uczenie nienadzorowane
- Uczenie nieparametryczne
- Podsumowanie
3. Wprowadzenie do prognozowania neuronowego: propagacja w przód
- W tym rozdziale
- Krok 1: Prognoza
- Wykonywanie prognozy przez prostą sieć neuronową
- Czym jest sieć neuronowa?
- Co robi ta sieć neuronowa?
- Wykonywanie prognozy dla wielu danych wejściowych
- Wiele danych wejściowych: Co robi ta sieć neuronowa?
- Wykonywanie prognozy z wieloma danymi wyjściowymi
- Prognozowanie z wieloma danymi wejściowymi i wyjściowymi
- Wiele wejść i wyjść: jak to działa?
- Prognozowanie na podstawie prognoz
- Elementarz NumPy
- Podsumowanie
4. Wprowadzenie do prognozowania neuronowego: metoda gradientowa
- W tym rozdziale
- Przewidywanie, porównywanie i nauka
- Porównywanie
- Nauka
- Po co mierzyć błędy?
- Jaka jest najprostsza forma uczenia się sieci neuronowej?
- Nauka metodą ciepło-zimno
- Charakterystyka uczenia metodą ciepło-zimno
- Obliczanie jednocześnie kierunku i wielkości na podstawie błędu
- Jedna iteracja metody gradientowej
- Uczenie się jest po prostu redukowaniem błędu
- Przyjrzyjmy się kilku krokom uczenia się
- Dlaczego to działa? Czym naprawdę jest weight_delta?
- Skupmy całą uwagę na jednej idei
- Pudełko z wystającymi drążkami
- Pochodne: Podejście drugie
- Co naprawdę trzeba wiedzieć
- Czego nie musimy naprawdę wiedzieć
- Jak użyć pochodnych do uczenia się
- Psucie metody gradientowej
- Wizualizacja nadmiernych korekt
- Rozbieżność
- Wprowadzenie parametru alpha
- Alpha w kodzie źródłowym
- Zapamiętywanie
5. Uczenie się dla wielu wag jednocześnie: uogólnienie metody gradientowej
- W tym rozdziale
- Uczenie się metodą gradientową przy wielu danych wejściowych
- Prosty gradient z wieloma danymi wejściowymi objaśnienie
- Przyjrzyjmy się kilku krokom uczenia się
- Zamrożenie jednej wagi: co to daje?
- Uczenie się metodą gradientową z wieloma wyjściami
- Metoda gradientowa z wieloma wejściami i wyjściami
- Czego uczą się te wagi?
- Wizualizacja wartości wag
- Wizualizowanie iloczynów skalarnych (sum ważonych)
- Podsumowanie
6. Budowanie pierwszej głębokiej sieci neuronowej: wprowadzenie do propagacji wstecznej
- W tym rozdziale
- Problem świateł ulicznych
- Przygotowywanie danych
- Macierze i relacje macierzowe
- Tworzenie macierzy w Pythonie
- Budowanie sieci neuronowej
- Uczenie się całego zbioru danych
- Pełna, wsadowa i stochastyczna metoda gradientowa
- Sieci neuronowe uczą się korelacji
- Presja w górę i w dół
- Przypadek brzegowy: przeuczenie (overfitting)
- Przypadek brzegowy: sprzeczne presje
- Uczenie się pośredniej korelacji
- Tworzenie korelacji
- Układanie sieci neuronowych w stos: przegląd
- Propagacja wsteczna: długodystansowy wkład błędu
- Propagacja wsteczna: dlaczego to działa?
- Liniowe czy nieliniowe
- Dlaczego sieć neuronowa nadal nie działa
- Tajemnica korelacji warunkowej
- Krótka przerwa
- Nasza pierwsza głęboka sieć neuronowa
- Propagacja wsteczna w kodzie
- Jedna iteracja propagacji wstecznej
- Zebranie wszystkiego razem
- Dlaczego głębokie sieci są ważne?
7. Jak obrazować sieci neuronowe: w myślach i na papierze
- W tym rozdziale
- Czas na uproszczenie
- Korelacja zbiorcza
- Wcześniejsza, zbyt złożona wizualizacja
- Uproszczona wizualizacja
- Jeszcze większe upraszczanie
- Zobaczmy, jak prognozuje ta sieć
- Wizualizacja przy użyciu liter zamiast obrazów
- Łączenie zmiennych
- Wszystko obok siebie
- Ważność narzędzi wizualizacji
8. Uczenie się sygnałów i ignorowanie szumu: wprowadzenie do regularyzacji i przetwarzania wsadowego
- W tym rozdziale
- Trójwarstwowa sieć dla danych MNIST
- No dobrze, to było łatwe
- Zapamiętywanie a uogólnianie
- Przeuczenie w sieciach neuronowych
- Skąd bierze się przeuczenie
- Najprostsza regularyzacja: wczesne zatrzymanie
- Branżowy standard regularyzacji: wykluczanie (dropout)
- Dlaczego wykluczanie działa: działanie zespołowe
- Wykluczanie w kodzie
- Przetwarzanie z wykluczeniem dla danych MNIST
- Miniwsadowa metoda gradientowa
- Podsumowanie
9. Modelowanie prawdopodobieństwa i nieliniowość: funkcje aktywacji
- W tym rozdziale
- Czym jest funkcja aktywacji?
- Standardowe funkcje aktywacji dla ukrytych warstw
- Standardowe funkcje aktywacji dla warstwy wyjściowej
- Kluczowy problem: Dane wejściowe zawierają podobieństwa
- Obliczanie funkcji softmax
- Stosowanie funkcji aktywacji
- Mnożenie delta przez nachylenie
- Przełożenie wielkości wyjścia na nachylenie (pochodną)
- Aktualizowanie sieci MNIST
10. Neuronowe uczenie się krawędzi i narożników: wprowadzenie do konwolucyjnych sieci neuronowych
- W tym rozdziale
- Wielokrotne wykorzystanie tych samych wag w wielu miejscach
- Warstwa konwolucyjna
- Prosta implementacja w NumPy
- Podsumowanie
11. Sieci neuronowe rozumiejące język: kingman+woman ==?
- W tym rozdziale
- Czym jest rozumienie języka?
- Przetwarzanie języka naturalnego (NLP)
- Nadzorowane NLP
- Zbiór danych recenzji filmowych z IMDB
- Przechwytywanie korelacji słów w danych wejściowych
- Prognozowanie recenzji filmów
- Wprowadzenie do warstw osadzających
- Interpretowanie wyjścia
- Architektura sieci neuronowej
- Porównywanie osadzeń słów
- Czym jest znaczenie neuronu?
- Wypełnianie pustych miejsc
- Znaczenie wynika ze straty
- King Man + Woman ~= Queen
- Analogie słów
- Podsumowanie
12. Sieci neuronowe piszące jak Szekspir: warstwy rekurencyjne dla danych o zmiennej długości
- W tym rozdziale
- Wyzwanie: dane o dowolnej długości
- Czy porównywanie naprawdę ma znaczenie?
- Zaskakująca siła uśrednionych wektorów słów
- Jak informacja jest przechowywana w tych osadzeniach?
- Jak sieć neuronowa wykorzystuje osadzenia?
- Ograniczenia wektorów worka słów
- Wykorzystanie macierzy jednostkowych do sumowania osadzeń słów
- Macierze, które niczego nie zmieniają
- Uczenie się macierzy przejść
- Uczenie się w celu tworzenia użytecznych wektorów zdań
- Propagacja w przód w Pythonie
- Jak zastosować do tego propagację wsteczną?
- Nauczmy tę sieć!
- Przygotowania
- Propagacja w przód przy danych dowolnej długości
- Propagacja wsteczna dla danych o dowolnej długości
- Aktualizowanie wag przy danych dowolnej długości
- Uruchomienie i analiza wyjścia
- Podsumowanie
13. Przedstawiamy automatyczną optymalizację: budujemy platformę głębokiego uczenia
- W tym rozdziale
- Czym jest platforma głębokiego uczenia?
- Wprowadzenie do tensorów
- Wprowadzenie do automatycznego obliczania gradientu (autograd)
- Małe podsumowanie
- Tensory używane wielokrotnie
- Ulepszenie funkcji autograd w celu obsługi wielokrotnie używanych tensorów
- Jak działa wsteczna propagacja dodawania?
- Dodawanie obsługi zmiany znaku
- Dodawanie obsługi dodatkowych funkcji
- Wykorzystanie autograd do uczenia sieci neuronowej
- Dodanie automatycznej optymalizacji
- Dodanie wsparcia dla różnych typów warstw
- Warstwy zawierające warstwy
- Warstwy funkcji straty
- Jak uczyć platformę
- Warstwy nieliniowości
- Warstwa osadzająca
- Dodawanie indeksowania do mechanizmu autograd
- Warstwa osadzająca powraca
- Warstwa entropii krzyżowej
- Warstwa rekurencyjna
- Podsumowanie
14. Uczenie się pisania jak Szekspir: długa pamięć krótkotrwała (LSTM)
- W tym rozdziale
- Modelowanie znaków języka
- Potrzeba obcięcia propagacji wstecznej
- Obcięta propagacja wsteczna
- Próbka wyjścia
- Zanikające i eksplodujące gradienty
- Mały przykład propagacji wstecznej w RNN
- Komórki LSTM
- Intuicyjne rozumienie bramek LSTM
- Warstwa LSTM
- Ulepszanie modelu znaków języka
- Uczenie LSTM modelu znaków języka
- Dostrajanie modelu LSTM znaków języka
- Podsumowanie
15. Głębokie uczenie się na niewidzianych danych: wprowadzenie do uczenia sfederowanego
- W tym rozdziale
- Problem prywatności w głębokim uczeniu się
- Sfederowane uczenie się
- Uczenie się wykrywania spamu
- Stwórzmy federację
- Włamywanie się do sfederowanego uczenia się
- Bezpieczne agregowanie
- Szyfrowanie homomorficzne
- Homomorficznie szyfrowane sfederowane uczenie się
- Podsumowanie
16. Co dalej: krótki przewodnik
- W tym rozdziale
- Gratulacje!
- Krok 1: Początek nauki PyTorch
- Krok 2: Udział w innych kursach głębokiego uczenia się
- Krok 3: Matematyczne podręczniki głębokiego uczenia się
- Krok 4: Utworzenie bloga i nauczanie głębokiego uczenia się
- Krok 5: Twitter
- Krok 6: Stosowanie wiedzy z artykułów naukowych
- Krok 7: Zdobądź dostęp do GPU
- Krok 8: Zarabianie przy zdobywaniu praktyki
- Krok 9: Dołączenie do projektu open source
- Krok 10: Rozwijanie lokalnej społeczności
Przypisy

pokaż cały spis treści