Uczenie maszynowe niesie ze sob

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

• Ryszard Kilvington. NieskoÅ„czoność i geometria 19,52 zÅ‚, (8,98 zÅ‚ -54%)
• Matematyka w programowaniu gier i grafice komputerowej. Tworzenie i renderowanie wirtualnych 89,00 zÅ‚, (44,50 zÅ‚ -50%)
• Podstawy matematyki w data science. Algebra liniowa, rachunek prawdopodobie 69,00 zÅ‚, (34,50 zÅ‚ -50%)
• Domowe lekcje matematyki. Klasy 4-6 39,90 zÅ‚, (19,95 zÅ‚ -50%)
• Matematyka w uczeniu maszynowym 129,00 zÅ‚, (64,50 zÅ‚ -50%)

Spis treści

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

Przedmowa

Wprowadzenie

1. Przygotowanie środowiska pracy

• Instalowanie zestawu narzÄ™dzi
  • 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
  • PrzestrzeÅ„ próbek i zdarzenia
  • Zmienne losowe
  • Ludzie nie radzÄ… sobie z prawdopodobieÅ„stwem
• ReguÅ‚y prawdopodobieÅ„stwa
  • PrawdopodobieÅ„stwo zdarzenia
  • ReguÅ‚a dodawania
  • ReguÅ‚a mnożenia
  • Ponowne spojrzenie na reguÅ‚Ä™ dodawania
  • Paradoks dnia urodzin
  • PrawdopodobieÅ„stwo warunkowe
  • PrawdopodobieÅ„stwo caÅ‚kowite
• PrawdopodobieÅ„stwo Å‚Ä…czne i brzegowe
  • Tabele prawdopodobieÅ„stwa Å‚Ä…cznego
  • ReguÅ‚a Å‚aÅ„cuchowa dla prawdopodobieÅ„stwa
• Podsumowanie

3. Więcej prawdopodobieństwa

• RozkÅ‚ady prawdopodobieÅ„stwa
  • Histogramy i prawdopodobieÅ„stwa
  • Dyskretne rozkÅ‚ady prawdopodobieÅ„stwa
  • CiÄ…gÅ‚e rozkÅ‚ady prawdopodobieÅ„stwa
  • Centralne twierdzenie graniczne
  • Prawo wielkich liczb
• Twierdzenie Bayesa
  • Rak czy nie rak
  • Aktualizacja prawdopodobieÅ„stwa a priori
  • Twierdzenie Bayesa w uczeniu maszynowym
• Podsumowanie

4. Statystyka

• Rodzaje danych
  • Dane nominalne
  • Dane porzÄ…dkowe
  • Dane interwaÅ‚owe
  • Dane ilorazowe
  • Wykorzystanie danych nominalnych w uczeniu gÅ‚Ä™bokim
• Statystyki podsumowujÄ…ce
  • Åšrednie i mediana
  • Miary zmiennoÅ›ci
• Kwantyle i wykresy pudeÅ‚kowe
• Braki w danych
• Korelacja
  • WspóÅ‚czynnik 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, Å›lad i potÄ™gowanie
  • Specjalne macierze kwadratowe
  • Macierz jednostkowa
  • Wyznaczniki
  • OdwrotnoÅ›ci
  • Macierze symetryczne, ortogonalne i unitarne
  • OkreÅ›loność macierzy symetrycznych
• Wektory i wartoÅ›ci wÅ‚asne
  • Znajdowanie wartoÅ›ci i wektorów wÅ‚asnych
• Normy wektorowe i miary odlegÅ‚oÅ›ci
  • L-normy oraz miary odlegÅ‚oÅ›ci
  • Macierze kowariancji
  • OdlegÅ‚ość Mahalanobisa
  • Dywergencja Kullbacka-Leiblera
• Analiza gÅ‚ównych skÅ‚adowych
• RozkÅ‚ad wedÅ‚ug wartoÅ›ci osobliwych i pseudoodwrotnoÅ›ci
  • SVD w akcji
  • Dwa zastosowania
• Podsumowanie

7. Rachunek różniczkowy

• Nachylenie
• Pochodne
  • Definicja formalna
  • Podstawowe zasady
  • Funkcje trygonometryczne
  • Funkcje wykÅ‚adnicze i logarytmy
• Minima i maksima funkcji
• Pochodne czÄ…stkowe
  • Mieszane pochodne czÄ…stkowe
  • ReguÅ‚a Å‚aÅ„cuchowa dla pochodnych czÄ…stkowych
• Gradienty
  • Obliczanie gradientu
  • Wizualizacja gradientu
• Podsumowanie

8. Macierzowy rachunek różniczkowy

• FormuÅ‚y
  • Funkcja wektorowa z argumentem skalarnym
  • Funkcja skalarna z argumentem wektorowym
  • Funkcja wektorowa przyjmujÄ…ca wektor
  • Funkcja macierzowa przyjmujÄ…ca skalar
  • Funkcja skalarna przyjmujÄ…ca macierz
• TożsamoÅ›ci
  • Funkcja skalarna z argumentem wektorowym
  • Funkcja wektorowa z argumentem skalarnym
  • Funkcja wektorowa przyjmujÄ…ca wektor
  • Funkcja skalarna przyjmujÄ…ca macierz
• Macierze Jacobiego i hesjany
  • Macierze Jacobiego
  • Hesjany
• Wybrane przykÅ‚ady z macierzowego rachunku różniczkowego
  • Pochodna operacji na elementach
  • Pochodna funkcji aktywacji
• Podsumowanie

9. Przepływ danych w sieciach neuronowych

• Reprezentacja danych
  • Tradycyjne sieci neuronowe
  • GÅ‚Ä™bokie sieci konwolucyjne
• PrzepÅ‚yw danych w tradycyjnych sieciach neuronowych
• PrzepÅ‚yw danych w konwolucyjnych sieciach neuronowych
  • Konwolucja
  • Warstwy konwolucyjne
  • Warstwy Å‚Ä…czÄ…ce
  • Warstwy w peÅ‚ni poÅ‚Ä…czone
  • PrzepÅ‚yw danych w konwolucyjnej sieci neuronowej
• Podsumowanie

10. Propagacja wsteczna

• Czym jest propagacja wsteczna?
• RÄ™czne przeprowadzanie propagacji wstecznej
  • Pochodne czÄ…stkowe
  • Zamiana formuÅ‚ na kod w Pythonie
  • Uczenie i testowanie modelu
• Propagacja wsteczna w sieciach w peÅ‚ni poÅ‚Ä…czonych
  • Wsteczna propagacja bÅ‚Ä™du
  • Obliczanie pochodnych czÄ…stkowych 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
• PÄ™d
  • Czym jest pÄ™d?
  • PÄ™d w jednym wymiarze
  • PÄ™d w dwóch wymiarach
  • Uczenie modeli za pomocÄ… metod z pÄ™dem
  • PÄ™d Niestierowa
• Adaptacyjna metoda gradientu prostego
  • RMSprop
  • Adagrad i Adadelta
  • Adam
  • Kilka uwag na temat metod optymalizacji
• Podsumowanie
• Epilog

Dodatek. Co dalej?

Skorowidz