Opanuj podstawy uczenia maszynowego

Od mniej wi

Osoby które kupowały "G", wybierały także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zÅ‚, (67,05 zÅ‚ -55%)
• Matematyka w deep learningu. Co musisz wiedzie 89,00 zÅ‚, (44,50 zÅ‚ -50%)
• Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii 54,90 zÅ‚, (27,45 zÅ‚ -50%)
• Eksploracja danych za pomoc 67,00 zÅ‚, (33,50 zÅ‚ -50%)
• Podr 129,00 zÅ‚, (64,50 zÅ‚ -50%)

Spis treści

Głębokie uczenie. Wprowadzenie eBook -- spis treści

Rozdział 1. Wstęp

Rozdział 2. Wprowadzenie do uczenia maszynowego

• 2.1. Analiza modelu i funkcja kosztu
• 2.2. Minimalizacja funkcji kosztu

Rozdział 3. Uczenie nienadzorowane

• 3.1. Klastrowanie: k­means
• 3.2. Redukcja wymiarowoÅ›ci: PCA
• 3.3. Estymacja gÄ™stoÅ›ci

Rozdział 4. Uczenie nadzorowane: regresja

• 4.1. Regresja liniowa
• 4.2. Zanurzenie
• 4.3. Ewaluacja modelu nadzorowanego

Rozdział 5. Uczenie nadzorowane: klasyfikacja

• 5.1. Wprowadzenie do klasyfikacji
• 5.2. Klasyfiacja binarna: SVM
• 5.3. Klasyfikacja wieloklasowa: regresja logistyczna
• 5.4. Ocena modelu klasyfikacji
• 5.5. Klasyfikacja niezbalansowania
• 5.6. Konstrukcja funkcji kosztu w problemach regresyjnych

Rozdział 6. Metody kernelowe

• 6.1. Wprowadzenie do metod kernelowych
• 6.2. Praktyczne użycie skernelizowanych metod
• 6.3. Porównywanie próbek i rozkÅ‚adów: MMD

Rozdział 7. Wprowadzenie do sieci neuronowych

• 7.1. Budowa sieci neuronowych
• 7.2. Klasyfiacja nieliniowa: spojrzenie geometryczne
• 7.3. Uczenie sieci neuronowej na przykÅ‚adzie regresji
• 7.4. Teoria a praktyka w sieciach neuronowych

Rozdział 8. Trenowanie sieci neuronowych

• 8.1. Problem klasyfikacyjny
• 8.2. Optymalizacja za pomocÄ… metody spadku gradientu
• 8.3. Optymalizator Adam
• 8.4. Regularyzacja i augmentacje
• 8.5. Moja sieć neuronowa nie dziaÅ‚a: poradnik

Rozdział 9. Wprowadzenie do sieci konwolucyjnych

• 9.1. Przetwarzanie obrazów za pomocÄ… sieci fully­connected
• 9.2. Filtry konwolucyjne
• 9.3. Sieci konwolucyjne

Rozdział 10. Sieci konwolucyjne w praktyce

• 10.1. PoczÄ…tki sieci konwolucyjnych
• 10.2. Techniki regularyzacyjne
• 10.3. PoÅ‚Ä…czenia rezydualne: ResNet
• 10.4. Wybrane architektury CNN
• 10.5. Finetuning: dostrajanie modelu do nowych zadaÅ„
• 10.6. Segmentacja obrazów: U­Net

Rozdział 11. Głębokie modele nienadzorowane

• 11.1. Nienadzorowana reprezentacja danych
• 11.2. Modele generatywne: GANy
• 11.3. Estymacja gÄ™stoÅ›ci: invertible normalizing flows

Rozdział 12. Rekurencyjne sieci neuronowe

• 12.1. Wprowadzenie do danych sekwencyjnych
• 12.2. Rekurencja jako model autoregresywny
• 12.3. Sieci rekurencyjne (RNN)
• 12.4. Model Seq2Seq
• 12.5. Zaawansowane modele sieci rekurencyjnych

Rozdział 13. Atencja

• 13.1. WstÄ™p
• 13.2. Mechanizm atencji
• 13.3. Atencja w modelu Seq2Seq
• 13.4. Self­attention
• 13.5. Self­attention GAN
• 13.6. Transformer jako rozwiniÄ™cie self­atencji

Bibliografia