Matematyka w deep learningu. Co musisz wiedzie - Helion

MIEJSCE 5 na liście TOP 20

Autor: Ronald T. Kneusel
Tytuł oryginału: Math for Deep Learning: What You Need to Know to Understand Neural Networks
Tłumaczenie: Filip Kami
ISBN: 978-83-289-1016-4
stron: 344, Format: 165x228, okładka: mi
Data wydania: 2024-10-01
Księgarnia: Helion

Cena książki: 53,40 zł (poprzednio: 89,00 zł)
Oszczędzasz: 40% (-35,60 zł)

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

Tagi: Matematyka | Uczenie maszynowe

Uczenie maszynowe niesie ze sob

Osoby które kupowały "Matematyka w deep learningu. Co musisz wiedzie", wybierały także:

Matematyka. Kurs video. Teoria dla programisty i data science 399,00 zł, (119,70 zł -70%)
Matematyka a programowanie. Kurs video. Od pojęcia liczby po płaszczyznę zespoloną w Pythonie 149,00 zł, (44,70 zł -70%)
Statystyka. Kurs video. Przewodnik dla student 128,71 zł, (39,90 zł -69%)
Matematyka. Kurs video. 299,00 zł, (104,65 zł -65%)
Dziwna matematyka. Podróż ku nieskończoności 48,75 zł, (19,50 zł -60%)

Spis treści

Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe -- spis treści

Przedmowa

Wprowadzenie

1. Przygotowanie środowiska pracy

Instalowanie zestawu narzędzi
- Linuks
- macOS
- Windows
NumPy
- Definiowanie tablic
- Typy danych
- Tablice dwuwymiarowe
- np.zeros i np.ones
- Zaawansowane indeksowanie
- Odczyt i zapis na dysku
SciPy
Matplotlib
Scikit-learn
Podsumowanie

2. Prawdopodobieństwo

Podstawowe koncepcje
- Przestrzeń próbek i zdarzenia
- Zmienne losowe
- Ludzie nie radzą sobie z prawdopodobieństwem
Reguły prawdopodobieństwa
- Prawdopodobieństwo zdarzenia
- Reguła dodawania
- Reguła mnożenia
- Ponowne spojrzenie na regułę dodawania
- Paradoks dnia urodzin
- Prawdopodobieństwo warunkowe
- Prawdopodobieństwo całkowite
Prawdopodobieństwo łączne i brzegowe
- Tabele prawdopodobieństwa łącznego
- Reguła łańcuchowa dla prawdopodobieństwa
Podsumowanie

3. Więcej prawdopodobieństwa

Rozkłady prawdopodobieństwa
- Histogramy i prawdopodobieństwa
- Dyskretne rozkłady prawdopodobieństwa
- Ciągłe rozkłady prawdopodobieństwa
- Centralne twierdzenie graniczne
- Prawo wielkich liczb
Twierdzenie Bayesa
- Rak czy nie rak
- Aktualizacja prawdopodobieństwa a priori
- Twierdzenie Bayesa w uczeniu maszynowym
Podsumowanie

4. Statystyka

Rodzaje danych
- Dane nominalne
- Dane porządkowe
- Dane interwałowe
- Dane ilorazowe
- Wykorzystanie danych nominalnych w uczeniu głębokim
Statystyki podsumowujące
- Średnie i mediana
- Miary zmienności
Kwantyle i wykresy pudełkowe
Braki w danych
Korelacja
- Współczynnik korelacji Pearsona
- Korelacja Spearmana
Testowanie hipotez
- Hipotezy
- Test t
- Test U Manna-Whitneya
Podsumowanie

5. Algebra liniowa

Skalary, wektory, macierze i tensory
- Skalary
- Wektory
- Macierze
- Tensory
Arytmetyka tensorów
- Operacje tablicowe
- Operacje wektorowe
- Mnożenie macierzy
- Iloczyn Kroneckera
Podsumowanie

6. Więcej algebry liniowej

Macierze kwadratowe
- Dlaczego macierze kwadratowe?
- Transpozycja, ślad i potęgowanie
- Specjalne macierze kwadratowe
- Macierz jednostkowa
- Wyznaczniki
- Odwrotności
- Macierze symetryczne, ortogonalne i unitarne
- Określoność macierzy symetrycznych
Wektory i wartości własne
- Znajdowanie wartości i wektorów własnych
Normy wektorowe i miary odległości
- L-normy oraz miary odległości
- Macierze kowariancji
- Odległość Mahalanobisa
- Dywergencja Kullbacka-Leiblera
Analiza głównych składowych
Rozkład według wartości osobliwych i pseudoodwrotności
- SVD w akcji
- Dwa zastosowania
Podsumowanie

7. Rachunek różniczkowy

Nachylenie
Pochodne
- Definicja formalna
- Podstawowe zasady
- Funkcje trygonometryczne
- Funkcje wykładnicze i logarytmy
Minima i maksima funkcji
Pochodne cząstkowe
- Mieszane pochodne cząstkowe
- Reguła łańcuchowa dla pochodnych cząstkowych
Gradienty
- Obliczanie gradientu
- Wizualizacja gradientu
Podsumowanie

8. Macierzowy rachunek różniczkowy

Formuły
- Funkcja wektorowa z argumentem skalarnym
- Funkcja skalarna z argumentem wektorowym
- Funkcja wektorowa przyjmująca wektor
- Funkcja macierzowa przyjmująca skalar
- Funkcja skalarna przyjmująca macierz
Tożsamości
- Funkcja skalarna z argumentem wektorowym
- Funkcja wektorowa z argumentem skalarnym
- Funkcja wektorowa przyjmująca wektor
- Funkcja skalarna przyjmująca macierz
Macierze Jacobiego i hesjany
- Macierze Jacobiego
- Hesjany
Wybrane przykłady z macierzowego rachunku różniczkowego
- Pochodna operacji na elementach
- Pochodna funkcji aktywacji
Podsumowanie

9. Przepływ danych w sieciach neuronowych

Reprezentacja danych
- Tradycyjne sieci neuronowe
- Głębokie sieci konwolucyjne
Przepływ danych w tradycyjnych sieciach neuronowych
Przepływ danych w konwolucyjnych sieciach neuronowych
- Konwolucja
- Warstwy konwolucyjne
- Warstwy łączące
- Warstwy w pełni połączone
- Przepływ danych w konwolucyjnej sieci neuronowej
Podsumowanie

10. Propagacja wsteczna

Czym jest propagacja wsteczna?
Ręczne przeprowadzanie propagacji wstecznej
- Pochodne cząstkowe
- Zamiana formuł na kod w Pythonie
- Uczenie i testowanie modelu
Propagacja wsteczna w sieciach w pełni połączonych
- Wsteczna propagacja błędu
- Obliczanie pochodnych cząstkowych wag i wyrazów wolnych
- Implementacja w Pythonie
- Korzystanie z implementacji
Grafy obliczeniowe
Podsumowanie

11. Metoda gradientu prostego

Podstawowa idea
- Jednowymiarowa metoda gradientu prostego
- Metoda gradientu prostego w dwóch wymiarach
- Stochastyczna metoda gradientu prostego
Pęd
- Czym jest pęd?
- Pęd w jednym wymiarze
- Pęd w dwóch wymiarach
- Uczenie modeli za pomocą metod z pędem
- Pęd Niestierowa
Adaptacyjna metoda gradientu prostego
- RMSprop
- Adagrad i Adadelta
- Adam
- Kilka uwag na temat metod optymalizacji
Podsumowanie
Epilog

Dodatek. Co dalej?

Skorowidz