Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie - Helion

Autor: Bharath Ramsundar, Reza Bosagh Zadeh
Tytuł oryginału: TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning
Tłumaczenie: Leszek Sagalara
ISBN: 978-83-283-5705-1
stron: 224, Format: 168x237, okładka: miękka
Data wydania: 2019-11-13
Księgarnia: Helion

Cena książki: 59,00 zł

Pobierz fragment książki » Osoby, które kupiły tę książkę, wybierały także »

Tagi: Uczenie maszynowe

Uczenie maszynowe jest coraz powszechniejsze. Niemal każdego dnia stykamy się z tego rodzaju oprogramowaniem, a możliwości tworzonych systemów stale rosną. Zdobycie praktycznych umiejętności w zakresie budowy i treningu sieci neuronowych staje się dla profesjonalnych programistów koniecznością. Spośród wielu narzędzi służących do tworzenia systemów uczenia maszynowego warto zwrócić uwagę na TensorFlow - nową biblioteką udostępnioną przez Google, przeznaczoną do projektowania i wdrażania zaawansowanych architektur uczenia głębokiego. Bez wątpienia jest to narzędzie, które pozwala na wykonywanie zadań znacznie wykraczających poza standardowy zakres uczenia maszynowego.

Ta książka jest przeznaczona dla praktyków, przede wszystkim programistów, architektów i naukowców, którzy chcą się nauczyć projektowania systemów uczących. Podstawowe pojęcia dotyczące uczenia maszynowego wyjaśniono tu poprzez praktyczne przykłady. Przedstawiono możliwości TensorFlow jako systemu do przeprowadzania obliczeń na tensorach. Omówiono zastosowania tej biblioteki w wielu bardzo różnych dziedzinach: do budowy systemów służących do rozpoznawania obrazów, rozumienia tekstu napisanego ręcznie przez człowieka czy przewidywania właściwości potencjalnych leków. Dzięki tej książce można bez trudu zrozumieć matematyczne podstawy systemów uczenia maszynowego, a następnie wykorzystać je podczas tworzenia profesjonalnych sieci neuronowych.

W tej książce między innymi:

podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow
budowa prototypów i modeli z optymalizacją hiperparametrów
przetwarzanie obrazów w splotowych sieciach neuronowych
obsługa zbiorów danych języka naturalnego
trenowanie sieci za pomocą procesorów graficznych i procesorów tensorowych

TensorFlow: trenuj sieć profesjonalnie!

Osoby które kupowały "Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie", wybierały także:

Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek 243,59 zł, (112,05 zł -54%)
Matematyka w deep learningu. Co musisz wiedzie 89,00 zł, (44,50 zł -50%)
Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii 54,90 zł, (27,45 zł -50%)
Eksploracja danych za pomoc 67,00 zł, (33,50 zł -50%)

Spis treści

Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie -- spis treści

Wstęp 9

1. Wprowadzenie do uczenia głębokiego 11

Uczenie maszynowe pożera informatykę 11
Podstawowe elementy uczenia głębokiego 12
- W pełni połączona warstwa 13
- Warstwa splotowa 13
- Warstwy rekurencyjnej sieci neuronowej 14
- Komórki LSTM 15
Architektury uczenia głębokiego 15
- LeNet 16
- AlexNet 16
- ResNet 17
- Automatyczne generowanie opisów 18
- Neuronowe tłumaczenie maszynowe firmy Google 18
- Modele jednorazowe 19
- AlfaGo 21
- Generatywne sieci kontradyktoryjne 22
- Neuronowe maszyny Turinga 23
Środowiska uczenia głębokiego 23
- Ograniczenia TensorFlow 24
Podsumowanie 25

2. Wprowadzenie do podstawowych elementów TensorFlow 27

Poznajemy tensory 27
- Skalary, wektory i macierze 28
- Algebra macierzy 31
- Tensory 33
- Tensory w fizyce 34
- Dygresje matematyczne 35
Proste obliczenia w TensorFlow 36
- Instalacja TensorFlow i rozpoczęcie pracy 36
- Inicjalizacja stałych tensorów 37
- Próbkowanie losowych tensorów 38
- Dodawanie i skalowanie tensorów 39
- Operacje na macierzach 39
- Typy tensorów 41
- Manipulacje kształtem tensora 41
- Wprowadzenie do rozgłaszania 42
Programowanie imperatywne i deklaratywne 43
- Grafy TensorFlow 44
- Sesje TensorFlow 45
- Zmienne TensorFlow 45
Podsumowanie 47

3. Regresja liniowa i logistyczna z TensorFlow 49

Przegląd matematyczny 49
- Funkcje i różniczkowalność 49
- Funkcje straty 51
- Metoda gradientu prostego 55
- Systemy automatycznego różniczkowania 57
Uczenie z TensorFlow 59
- Tworzenie ćwiczebnych zbiorów danych 59
- Nowe koncepcje TensorFlow 64
Uczenie modeli liniowych i logistycznych w TensorFlow 68
- Regresja liniowa w TensorFlow 68
- Regresja logistyczna w TensorFlow 75
Podsumowanie 80

4. W pełni połączone sieci głębokie 81

Czym jest w pełni połączona sieć głęboka? 81
"Neurony" w sieciach w pełni połączonych 83
- Uczenie w pełni połączonych sieci z propagacją wsteczną 85
- Twierdzenie o uniwersalnej zbieżności 86
- Dlaczego głębokie sieci? 87
Szkolenie w pełni połączonych sieci neuronowych 88
- Reprezentacje możliwe do uczenia 88
- Aktywacje 89
- Zapamiętywanie w sieciach w pełni połączonych 89
- Regularyzacja 90
- Szkolenie sieci w pełni połączonych 93
Implementacja w TensorFlow 93
- Instalacja DeepChem 93
- Zbiór danych Tox21 94
- Przyjmowanie minigrup węzłów zastępczych 95
- Implementacja warstwy ukrytej 95
- Dodawanie porzucania do warstwy ukrytej 96
- Implementacja minigrup 97
- Ocena dokładności modelu 97
- Korzystanie z TensorBoard do śledzenia zbieżności modeli 98
Podsumowanie 99

5. Optymalizacja hiperparametrów 101

Ewaluacja modelu i optymalizacja hiperparametrów 102
Wskaźniki, wskaźniki, wskaźniki 103
- Wskaźniki klasyfikacji binarnej 103
- Wskaźniki klasyfikacji wieloklasowej 106
- Wskaźniki regresji 107
Algorytmy optymalizacji hiperparametrów 108
- Ustalenie linii bazowej 108
- Metoda spadku studenta 110
- Metoda przeszukiwania siatki 111
- Losowe wyszukiwanie hiperparametrów 112
- Zadanie dla czytelnika 113
Podsumowanie 113

6. Splotowe sieci neuronowe 115

Wprowadzenie do architektur splotowych 116
- Lokalne pola recepcyjne 116
- Jądra splotowe 118
- Warstwy łączące 120
- Tworzenie sieci splotowych 120
- Rozszerzone warstwy splotowe 121
Zastosowania sieci splotowych 122
- Wykrywanie i lokalizacja obiektów 122
- Segmentacja obrazu 123
- Sploty grafowe 123
- Generowanie obrazów przy użyciu autokoderów wariacyjnych 124
Trenowanie sieci splotowej w TensorFlow 129
- Zbiór danych MNIST 129
- Wczytywanie zbioru MNIST 130
- Podstawowe elementy sieci splotowych w TensorFlow 132
- Architektura splotowa 134
- Ewaluacja trenowanych modeli 137
- Zadanie dla czytelnika 139
Podsumowanie 139

7. Rekurencyjne sieci neuronowe 141

Przegląd architektur rekurencyjnych 142
Komórki rekurencyjne 144
- Długa pamięć krótkoterminowa (LSTM) 144
- Bramkowane jednostki rekurencyjne (GRU) 146
Zastosowania modeli rekurencyjnych 146
- Generowanie danych przez sieci rekurencyjne 146
- Modele seq2seq 147
Neuronowe maszyny Turinga 149
Praca z rekurencyjnymi sieciami neuronowymi w praktyce 150
Przetwarzanie korpusu językowego Penn Treebank 151
- Kod przetwarzania wstępnego 152
- Wczytywanie danych do TensorFlow 154
- Podstawowa architektura rekurencyjna 155
- Zadanie dla czytelnika 157
Podsumowanie 157

8. Uczenie przez wzmacnianie 159

Procesy decyzyjne Markowa 163
Algorytmy uczenia przez wzmacnianie 164
- Q-uczenie 165
- Uczenie się polityki 166
- Szkolenie asynchroniczne 168
Ograniczenia uczenia przez wzmacnianie 168
Gra w kółko i krzyżyk 170
- Obiektowość 170
- Abstrakcyjne środowisko 171
- Środowisko gry w kółko i krzyżyk 171
- Abstrakcja warstwowa 174
- Definiowanie grafu warstw 176
Algorytm A3C 180
- Funkcja straty A3C 183
- Definiowanie wątków roboczych 185
- Trenowanie polityki 187
- Zadanie dla czytelnika 188
Podsumowanie 189

9. Szkolenie dużych głębokich sieci 191

Specjalistyczny sprzęt dla głębokich sieci 191
Szkolenie z użyciem CPU 192
- Szkolenie z użyciem GPU 193
- Procesory tensorowe 194
- Bezpośrednio programowalne macierze bramek 195
- Układy neuromorficzne 196
Rozproszone szkolenie głębokich sieci 197
- Równoległość danych 197
- Równoległość modeli 198
Szkolenie na równoległych danych z użyciem wielu układów GPU na zbiorze CIFAR10 199
- Pobieranie i wczytywanie danych 201
- Głębokie zanurzenie w architekturę 202
- Szkolenie na wielu układach GPU 204
- Zadanie dla czytelnika 206
Podsumowanie 207

10. Przyszłość głębokiego uczenia 209

Głębokie uczenie poza branżą techniczną 209
- Głębokie uczenie w przemyśle farmaceutycznym 210
- Głębokie uczenie w prawie 211
- Głębokie uczenie w robotyce 211
- Głębokie uczenie w rolnictwie 212
Etyczne wykorzystanie głębokiego uczenia 212
Czy uniwersalna sztuczna inteligencja jest nieuchronna? 214
Co dalej? 214

Skorowidz 216