Na naszych oczach dokonuje siÄ™ przeÅ‚om: technologie wykorzystujÄ…ce rozmaite formy sztucznej inteligencji zaczynajÄ… siÄ™ pojawiać w różnych branżach. Niektórzy nawet nie zdajÄ… sobie sprawy, jak czÄ™sto i jak powszechnie stosuje siÄ™ algorytmy uczenia gÅ‚Ä™bokiego. MożliwoÅ›ci w tym zakresie stale rosnÄ…. Wzrasta też zapotrzebowanie na inżynierów, którzy swobodnie operujÄ… wiedzÄ… o uczeniu gÅ‚Ä™bokim i sÄ… w stanie zaimplementować potrzebne algorytmy w konkretnym oprogramowaniu. Uczenie gÅ‚Ä™bokie jest jednak dość zÅ‚ożonym zagadnieniem, a przyswojenie sobie potrzebnych umiejÄ™tnoÅ›ci wymaga wysiÅ‚ku.

Ta książka stanowi doskonaÅ‚e wprowadzenie w temat uczenia gÅ‚Ä™bokiego. WyjaÅ›niono tu najważniejsze pojÄ™cia uczenia maszynowego. Pokazano, do czego mogÄ… siÄ™ przydać takie narzÄ™dzia jak pakiet scikit-learn, biblioteki Theano, Keras czy TensorFlow. Ten praktyczny przewodnik znakomicie uÅ‚atwi zrozumienie zagadnieÅ„ rozpoznawania wzorców, dokÅ‚adnego skalowania danych, pozwoli też na rzetelne zapoznanie siÄ™ z algorytmami i technikami uczenia gÅ‚Ä™bokiego. Autorzy zaproponowali wykorzystanie w powyższych celach jÄ™zyka Python - ulubionego narzÄ™dzia 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 jÄ™zyka
• Budowa systemów wykrywania oszustw i wÅ‚amaÅ„

Uczenie głębokie: zajrzyj w przyszłość programowania!

Dr Valentino Zokka opracowaÅ‚ 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 siÄ™ i kompletne rozwiÄ…zania do produktów informacyjnych.

Daniel Slater tworzyÅ‚ oprogramowanie do oceny ryzyka dla branży finansowej. Obecnie zajmuje siÄ™ systemami do przetwarzania dużych iloÅ›ci danych i analizy zachowaÅ„ użytkowników.

Peter Roelants specjalizuje siÄ™ w stosowaniu technik uczenia gÅ‚Ä™bokiego do badaÅ„ spektralnych obrazów, rozpoznawania mowy czy ekstrakcji danych z dokumentów.

Osoby które kupowały "Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe", wybierały także:

• Flask. Kurs video. Tworzenie REST API w Pythonie 139,00 zÅ‚, (55,60 zÅ‚ -60%)
• Flask. Kurs video. Od pierwszej linijki kodu do praktycznego zastosowania 119,00 zÅ‚, (47,60 zÅ‚ -60%)
• Python na start. Kurs video. Tw 99,00 zÅ‚, (39,60 zÅ‚ -60%)
• Python. Kurs video. Programowanie asynchroniczne 97,32 zÅ‚, (39,90 zÅ‚ -59%)
• Sztuczna inteligencja w Azure. Kurs video. Uczenie maszynowe i Azure Machine Learning Service 198,98 zÅ‚, (89,54 zÅ‚ -55%)

Spis treści

Deep Learning. Uczenie głębokie z językiem Python. Sztuczna inteligencja i sieci neuronowe eBook -- spis treści

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 przykÅ‚adowego kodu (16)
• Pobieranie kolorowych ilustracji do tej książki (16)

Rozdział 1. Uczenie maszynowe - wprowadzenie (17)

• Czym jest uczenie maszynowe? (18)
• Różne podejÅ›cia 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)
  • PrzykÅ‚ad kodu sieci neuronowej dla funkcji XOR (70)
• Podsumowanie (75)

Rozdział 3. Podstawy uczenia głębokiego (77)

• Czym jest uczenie gÅ‚Ä™bokie? (78)
  
  • Podstawowe pojÄ™cia (80)
  • Uczenie siÄ™ cech (81)
  • Algorytmy uczenia gÅ‚Ä™bokiego (88)
• Zastosowania uczenia gÅ‚Ä™bokiego (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)
  • PrzykÅ‚ad implementacji gÅ‚Ä™bokiej sieci neuronowej za pomocÄ… 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 pomocÄ… biblioteki TensorFlow (126)
  • Sieci DBN (130)
• Podsumowanie (132)

RozdziaÅ‚ 5. Rozpoznawanie obrazów (135)

• PodobieÅ„stwa pomiÄ™dzy modelami sztucznymi a biologicznymi (136)
• Intuicja i uzasadnianie (137)
• Warstwy konwolucyjne (138)
  
  • Parametry krok i wypeÅ‚nienie w warstwach konwolucyjnych (144)
• Warstwy pooling (145)
• Dropout (147)
• Warstwy konwolucyjne w uczeniu gÅ‚Ä™bokim (147)
• Warstwy konwolucyjne w bibliotece Theano (148)
• PrzykÅ‚ad zastosowania warstwy konwolucyjnej do rozpoznawania cyfr za pomocÄ… biblioteki Keras (150)
• PrzykÅ‚ad zastosowania warstwy konwolucyjnej za pomocÄ… biblioteki Keras dla zbioru danych CIFAR10 (153)
• Szkolenie wstÄ™pne (155)
• Podsumowanie (156)

Rozdział 6. Rekurencyjne sieci neuronowe i modele języka (159)

• Rekurencyjne sieci neuronowe (160)
  
  • RNN - jak implementować i trenować? (162)
  • DÅ‚uga pamięć krótkotrwaÅ‚a (168)
• Modelowanie jÄ™zyka (171)
  
  • Modele na bazie sÅ‚ów (171)
  • Modele bazujÄ…ce na znakach (176)
• Rozpoznawanie mowy (183)
  
  • Potok rozpoznawania mowy (183)
  • Mowa jako dane wejÅ›ciowe (184)
  • Przetwarzanie wstÄ™pne (185)
  • Model akustyczny (186)
  • Dekodowanie (189)
  • Modele od koÅ„ca do koÅ„ca (190)
• Podsumowanie (190)
• Bibliografia (190)

Rozdział 7. Uczenie głębokie w grach planszowych (195)

• Pierwsze systemy AI grajÄ…ce w gry (197)
• Wykorzystanie algorytmu min-max do oceny stanów gry (198)
• Implementacja gry w kóÅ‚ko i krzyżyk w Pythonie (201)
• Uczenie funkcji wartoÅ›ci (209)
• Trenowanie systemu AI do uzyskania mistrzostwa w grze w Go (210)
• Zastosowanie górnych granic zaufania do drzew (213)
• Uczenie gÅ‚Ä™bokie 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 doÅ›wiadczeÅ„ (250)
  • Epsilon zachÅ‚anny (253)
• Breakout na Atari (254)
  
  • Losowy test gry w Breakout na Atari (255)
  • WstÄ™pne przetwarzanie ekranu (257)
  • Tworzenie gÅ‚Ä™bokiej sieci konwolucyjnej (259)
  • Problemy zbieżnoÅ›ci w technikach Q-learning (263)
  • Technika policy gradients kontra Q-learning (265)
• Metody aktor-krytyk (266)
  
  • Metoda baseline do redukcji wariancji (267)
  • Uogólniony estymator korzyÅ›ci (267)
• Metody asynchroniczne (268)
• PodejÅ›cia bazujÄ…ce na modelach (269)
• Podsumowanie (272)

Rozdział 9. Wykrywanie anomalii (273)

• Co to jest wykrywanie anomalii i wykrywanie elementów odstajÄ…cych? (274)
• Rzeczywiste zastosowania mechanizmów wykrywania anomalii (277)
• Popularne pÅ‚ytkie techniki uczenia maszynowego (278)
  
  • Modelowanie danych (279)
  • Modelowanie wykrywania (279)
• Wykrywanie anomalii z wykorzystaniem gÅ‚Ä™bokich autoenkoderów (281)
• H2O (283)
  
  • Wprowadzenie do pracy z H2O (285)
• PrzykÅ‚ady (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)
  • WspóÅ‚bieżny 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 koÅ„ca do koÅ„ca (338)
  • Podsumowanie zagadnieÅ„ zwiÄ…zanych z testowaniem (342)
• Wdrażanie (343)
  
  • Eksport modelu do formatu POJO (344)
  • Interfejsy API oceny anomalii (347)
  • Podsumowanie wdrażania (349)
• Podsumowanie (350)

Skorowidz (351)