TensorFlow sÅ‚uży do projektowania i wdrażania zaawansowanych architektur gÅ‚Ä™bokiego uczenia. Jego zaletami sÄ… prostota, wydajność i elastyczność. Umożliwia budowanie zÅ‚ożonych rozwiÄ…zaÅ„ na bazie różnorodnych zbiorów danych. Co wiÄ™cej, pozwala na stosowanie różnych technik uczenia nadzorowanego, nienadzorowanego oraz uczenia przez wzmacnianie. TensorFlow zmieniÅ‚ sposób postrzegania uczenia maszynowego. DziÄ™ki temu Å›rodowisku każdy, kto chce uczynić z dużych zbiorów danych wiarygodne źródÅ‚o wiedzy, może ten cel osiÄ…gnąć - niezależnie od tego, czy jest analitykiem danych, naukowcem, projektantem, czy pasjonatem metod sztucznej inteligencji.

To książka przeznaczona dla osób, które chcÄ… nauczyć siÄ™ tworzyć caÅ‚oÅ›ciowe rozwiÄ…zania z wykorzystaniem uczenia maszynowego. Poszczególne zagadnienia zilustrowano trzynastoma praktycznymi projektami, w których wykorzystano miÄ™dzy innymi analizy sentymentów, przetwarzanie jÄ™zyka naturalnego, systemy rekomendacyjne, generatywne sieci kontradyktoryjne czy sieci kapsuÅ‚owe. Pokazano, w jaki sposób używać TensorFlow z interfejsem APO Spark i wspomagać obliczenia ukÅ‚adami GPU. Przedstawiono zastosowanie rozkÅ‚adu macierzy (SVD++), modeli rankingowych i odmian splotowej sieci neuronowej. Nie zabrakÅ‚o prezentacji nowych rozwiÄ…zaÅ„ o dużym potencjale, takich jak sieci DiscoGAN. DoÅ‚Ä…czony do książki kod źródÅ‚owy, liczne wskazówki i porady pozwolÄ… na pÅ‚ynne rozpoczÄ™cie pracy z TensorFlow oraz innymi narzÄ™dziami do budowy sieci neuronowych.

W tej książce między innymi:

• podstawy pracy z TensorFlow
• wykorzystanie TensorFlow do wizualizacji sieci neuronowych
• zastosowanie procesu gaussowskiego do prognozowania cen akcji
• wykrywanie oszukaÅ„czych transakcji za pomocÄ… TensorFlow i Keras
• implementacja sieci kapsuÅ‚owych w TensorFlow
• techniki uczenia przez wzmacnianie

TensorFlow: prostota, wydajność i imponujący potencjał!

Osoby które kupowały "TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe", wybierały także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zÅ‚, (67,05 zÅ‚ -55%)
• Machine Learning i jÄ™zyk Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek 243,59 zÅ‚, (112,05 zÅ‚ -54%)
• 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%)

Spis treści

TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe -- spis treści

O autorach 11

O recenzentach 13

Wstęp 15

Rozdział 1. TensorFlow i uczenie maszynowe 19

• Czym jest TensorFlow? 20
• RdzeÅ„ TensorFlow 20
  • Tensory 20
  • StaÅ‚e 22
  • Operacje 23
  • WÄ™zÅ‚y zastÄ™pcze 23
  • Tensory z obiektów Pythona 24
  • Zmienne 26
  • Tensory generowane z funkcji bibliotecznych 28
  • Uzyskiwanie zmiennych za pomocÄ… tf.get_variable() 28
• Graf obliczeniowy 29
  • Kolejność wykonywania i wczytywanie z opóźnieniem 30
  • Wykonywanie grafów na wielu urzÄ…dzeniach obliczeniowych - CPU i GPGPU 31
  • Wiele grafów 35
• Uczenie maszynowe, klasyfikacja i regresja logistyczna 35
  • Uczenie maszynowe 35
  • Klasyfikacja 37
  • Regresja logistyczna dla klasyfikacji binarnej 38
  • Regresja logistyczna dla klasyfikacji wieloklasowej 38
• Regresja logistyczna z TensorFlow 39
• Regresja logistyczna z Keras 41
• Podsumowanie 42
• Kwestie do rozważenia 43
• MateriaÅ‚y dodatkowe 43

Rozdział 2. Wykorzystanie uczenia maszynowego do wykrywania egzoplanet w przestrzeni kosmicznej 45

• Czym jest drzewo decyzyjne? 46
• Do czego potrzebne sÄ… nam zespoÅ‚y? 47
• Metody zespoÅ‚owe oparte na drzewach decyzyjnych 47
  • Lasy losowe 47
  • Wzmacnianie gradientowe 49
• ZespoÅ‚y oparte na drzewach decyzyjnych w TensorFlow 51
  • Estymator TensorForest 51
  • Estymator wzmacnianych drzew TensorFlow 52
• Wykrywanie egzoplanet w przestrzeni kosmicznej 52
• Budowanie modelu TFBT do wykrywania egzoplanet 56
• Podsumowanie 60
• Kwestie do rozważenia 61
• MateriaÅ‚y dodatkowe 61

Rozdział 3. Analiza wydźwięku w przeglądarce przy użyciu TensorFlow.js 63

• TensorFlow.js 64
• Optymalizacja Adam 65
• Strata kategoryzacyjnej entropii krzyżowej 66
• Osadzanie sÅ‚ów 67
• Budowanie modelu analizy wydźwiÄ™ku 68
  • WstÄ™pne przetwarzanie danych 69
  • Budowanie modelu 70
• Uruchamianie modelu w przeglÄ…darce przy użyciu TensorFlow.js 71
• Podsumowanie 75
• Kwestie do rozważenia 75

Rozdział 4. Klasyfikacja cyfr przy użyciu TensorFlow Lite 77

• Czym jest TensorFlow Lite? 78
• Mierniki oceny modeli klasyfikacji 80
• Klasyfikacja cyfr przy użyciu TensorFlow Lite 81
  • WstÄ™pne przetwarzanie danych i definiowanie modelu 82
  • Konwersja modelu TensorFlow na TensorFlow Lite 84
• Podsumowanie 90
• Kwestie do rozważenia 91

RozdziaÅ‚ 5. Rozpoznawanie mowy i ekstrakcja tematów przy użyciu NLP 93

• Platformy i narzÄ™dzia do zamiany mowy na tekst 94
• Zbiór poleceÅ„ gÅ‚osowych Google Speech Commands Dataset 95
• Architektura sieci neuronowej 95
  • ModuÅ‚ ekstrakcji cech 96
  • ModuÅ‚ gÅ‚Ä™bokiej sieci neuronowej 96
• Szkolenie modelu 97
• Podsumowanie 99
• Kwestie do rozważenia 99
• MateriaÅ‚y dodatkowe 100

Rozdział 6. Przewidywanie cen akcji przy użyciu regresji procesu gaussowskiego 101

• Twierdzenie Bayesa 102
• Wprowadzenie do wnioskowania bayesowskiego 103
• Wprowadzenie do procesów gaussowskich 104
  • Wybór jÄ…dra w PG 106
• Zastosowanie PG do prognozowania rynku akcji 107
• Tworzenie modelu prognozowania kursu akcji 109
• Zrozumienie uzyskanych wyników 112
• Podsumowanie 122
• Kwestie do rozważenia 122

RozdziaÅ‚ 7. Wykrywanie oszustw dotyczÄ…cych kart kredytowych przy użyciu autokoderów 123

• Autokodery 124
• Budowanie modelu wykrywania oszustw finansowych 125
  • Definiowanie i szkolenie modelu wykrywania oszustw finansowych 126
  • Testowanie modelu wykrywania oszustw finansowych 128
• Podsumowanie 133
• Kwestie do rozważenia 134

RozdziaÅ‚ 8. Generowanie niepewnoÅ›ci w klasyfikatorze znaków drogowych przy użyciu bayesowskich sieci neuronowych 135

• Bayesowskie uczenie gÅ‚Ä™bokie 136
  • Twierdzenie Bayesa w sieciach neuronowych 137
• TensorFlow Probability, wnioskowanie wariacyjne i metoda Monte Carlo 138
• Budowanie bayesowskiej sieci neuronowej 140
  • Definiowanie, szkolenie i testowanie modelu 142
• Podsumowanie 151
• Kwestie do rozważenia 152

RozdziaÅ‚ 9. Dopasowywanie torebek na podstawie zdjęć butów z wykorzystaniem sieci DiscoGAN 153

• Modele generatywne 154
  • Szkolenie sieci GAN 155
  • Zastosowania 157
  • Wyzwania 157
• Sieci DiscoGAN 158
  • Podstawowe jednostki sieci DiscoGAN 159
  • Modelowanie sieci DiscoGAN 162
• Budowanie modelu DiscoGAN 163
• Podsumowanie 169
• Kwestie do rozważenia 169

RozdziaÅ‚ 10. Klasyfikowanie obrazów odzieży przy użyciu sieci kapsuÅ‚owych 171

• Znaczenie sieci kapsuÅ‚owych 172
• KapsuÅ‚y 173
  • Jak dziaÅ‚ajÄ… kapsuÅ‚y? 173
• Algorytm trasowania dynamicznego 175
• Wykorzystanie architektury CapsNet do klasyfikowania obrazów ze zbioru Fashion MNIST 178
  • Implementacja architektury CapsNet 178
• Szkolenie i testowanie modelu 182
• Rekonstrukcja przykÅ‚adowych obrazów 187
• Ograniczenia sieci kapsuÅ‚owych 189
• Podsumowanie 189

RozdziaÅ‚ 11. Tworzenie wysokiej jakoÅ›ci rekomendacji produktów przy użyciu TensorFlow 191

• Systemy rekomendacji 192
• Filtrowanie oparte na treÅ›ci 193
  • Zalety algorytmów filtrowania opartego na treÅ›ci 193
  • Wady algorytmów filtrowania opartego na treÅ›ci 193
• Filtrowanie kolaboratywne 193
• Systemy hybrydowe 194
• RozkÅ‚ad macierzy 194
• Przedstawienie zbioru danych Retailrocket 195
• Analiza zbioru danych Retailrocket 195
• WstÄ™pne przetwarzanie danych 196
• Model rozkÅ‚adu macierzy dla rekomendacji Retailrocket 197
• Model sieci neuronowej dla rekomendacji Retailrocket 200
• Podsumowanie 202
• Kwestie do rozważenia 202
• MateriaÅ‚y dodatkowe 202

RozdziaÅ‚ 12. Wykrywanie obiektów na dużą skalÄ™ za pomocÄ… TensorFlow 203

• Wprowadzenie do Apache Spark 204
• Rozproszony TensorFlow 206
  • Uczenie gÅ‚Ä™bokie poprzez rozproszony TensorFlow 207
• Poznaj TensorFlowOnSpark 210
  • Architektura TensorFlowOnSpark 210
  • SzczegóÅ‚y API TFoS 211
  • Rozpoznawanie odrÄ™cznie zapisanych cyfr przy użyciu TFoS 212
• Wykrywanie obiektów za pomocÄ… TensorFlowOnSpark i Sparkdl 215
  • Transfer wiedzy 215
  • Interfejs Sparkdl 216
  • Budowanie modelu wykrywania obiektów 217
• Podsumowanie 221

RozdziaÅ‚ 13. Generowanie skryptów książek przy użyciu LSTM 223

• Rekurencyjne sieci neuronowe 224
• WstÄ™pne przetwarzanie danych 225
• Definiowanie modelu 227
• Szkolenie modelu 228
• Definiowanie i szkolenie modelu generujÄ…cego tekst 228
• Generowanie skryptów książek 233
• Podsumowanie 235
• Kwestie do rozważenia 236

Rozdział 14. Gra w Pac-Mana przy użyciu uczenia głębokiego przez wzmacnianie 237

• Uczenie przez wzmacnianie 238
• Uczenie przez wzmacnianie a uczenie nadzorowane i nienadzorowane 238
• SkÅ‚adniki uczenia przez wzmacnianie 239
• OpenAI Gym 240
• Gra Pac-Man w OpenAI Gym 241
• Sieć DQN w uczeniu gÅ‚Ä™bokim przez wzmacnianie 244
• Zastosowanie sieci DQN do gry 246
• Podsumowanie 249
• MateriaÅ‚y dodatkowe 250

Rozdział 15. Co dalej? 251

• Wdrażanie modeli TensorFlow do produkcji 251
  • TensorFlow Hub 252
  • TensorFlow Serving 254
  • TensorFlow Extended 255
• Zalecenia dotyczÄ…ce budowania aplikacji wykorzystujÄ…cych sztucznÄ… inteligencjÄ™ 257
• Ograniczenia uczenia gÅ‚Ä™bokiego 258
• Zastosowania sztucznej inteligencji w różnych branżach 259
• WzglÄ™dy etyczne w sztucznej inteligencji 260
• Podsumowanie 260