reklama - zainteresowany?

G - Helion

G
ebook
Autor: Jacek Tabor, Marek
ISBN: 978-83-8322-066-6
stron: 184, Format: ebook
Data wydania: 2022-08-01
Księgarnia: Helion

Cena książki: 31,35 zł (poprzednio: 55,98 zł)
Oszczędzasz: 44% (-24,63 zł)

Dodaj do koszyka G

Tagi: Uczenie maszynowe

Opanuj podstawy uczenia maszynowego

Od mniej wi

Dodaj do koszyka G

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

Dodaj do koszyka G

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.