Uczenie maszynowe jest przyszłością naszej cywilizacji. Już dziś wywiera ogromny wpływ na nasze życie. Odmieniło kształt wielu sektorów: usług konsumenckich, inżynierii, bankowości, medycyny czy produkcji. Trudno też przewidzieć zmiany, jakie potęga sieci neuronowych przyniesie nam w nadchodzących latach. Osoby zajmujące się zawodowo uczeniem głębokim i sieciami neuronowymi mogą liczyć na ekscytujące możliwości, jednak zaawansowana matematyka i teoria stanowiące podstawę uczenia maszynowego mogą zniechęcać do prób poważnego zajęcia się tą dziedziną.

Ta książka jest nowatorskim podręcznikiem, w którym w zrozumiały, intuicyjny sposób opisano techniki sztucznej inteligencji. Została wzbogacona kolorowymi ilustracjami i zrozumiałym kodem, dzięki czemu pozwala o wiele łatwiej zagłębić się w złożoność modeli głębokiego uczenia. Trudniejsze zagadnienia matematyczne zostały ograniczone do niezbędnego minimum, przedstawiono je jednak w sposób maksymalnie przystępny. Po lekturze zrozumiesz, czym jest głębokie uczenie, dlaczego stało się tak popularne i jak się ma do innych dziedzin uczenia maszynowego. W pragmatyczny sposób opisano takie aspekty zastosowań głębokiego uczenia jak widzenie maszynowe, przetwarzanie języka naturalnego, generowanie obrazów, a nawet gra w różne gry. Prezentowane treści uzupełnia praktyczny kod i szereg wskazówek dotyczących korzystania z bibliotek Keras i TensorFlow.

W książce między innymi:

• teoretyczne podstawy sztucznej inteligencji, w tym sieci neuronowe i ich trening oraz optymalizacja
• sieci konwolucyjne, rekurencyjne, GAN, głębokie uczenie przez wzmacnianie
• potencjał systemów głębokiego uczenia
• narzędzia do tworzenia, stosowania i usprawniania modeli głębokiego uczenia
• tworzenie interaktywnych aplikacji opartych na głębokim uczeniu

Uczenie głębokie: przekonaj się na własne oczy!

Osoby które kupowały "Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany", wybierały także:

• Data Science w Pythonie. Kurs video. Przetwarzanie i analiza danych 149,00 zł, (67,05 zł -55%)
• Machine Learning i język Python. Kurs video. Praktyczne wykorzystanie popularnych bibliotek 243,59 zł, (112,05 zł -54%)
• Matematyka w deep learningu. Co musisz wiedzie 89,00 zł, (44,50 zł -50%)
• Dylemat sztucznej inteligencji. 7 zasad odpowiedzialnego tworzenia technologii 54,90 zł, (27,45 zł -50%)
• Eksploracja danych za pomoc 67,00 zł, (33,50 zł -50%)

Spis treści

Uczenie głębokie i sztuczna inteligencja. Interaktywny przewodnik ilustrowany -- spis treści

• Spis ilustracji (xvii)
• Spis tabel (xxvii)
• Przykłady kodu (xxix)
• Przedmowa (xxxiii)
• Wstęp (xxxv)
• Podziękowania (xxxix)
• O autorach (xli)

I. WPROWADZENIE DO GŁĘBOKIEGO UCZENIA (1)

1. Widzenie biologiczne i maszynowe (3)

• Widzenie biologiczne (3)
• Widzenie maszynowe (8)
  • Neocognitron (8)
  • LeNet-5 (9)
  • Tradycyjne podejście w uczeniu maszynowym (12)
  • Sieć ImageNet i konkurs ILSVRC (13)
  • AlexNet (14)
• Plac zabaw TensorFlow (17)
• Quick, Draw! (19)
• Podsumowanie (19)

2. Języki ludzki i maszynowy (21)

• Przetwarzanie języka naturalnego przy użyciu głębokiego uczenia (21)
  • Sieci głębokiego uczenia automatycznie uczą się reprezentacji danych (22)
  • Przetwarzanie języka naturalnego (23)
  • Krótka historia wykorzystania głębokiego uczenia w przetwarzaniu języka naturalnego (24)
• Matematyczne reprezentacje języka (25)
  • Kodowanie słów 1 z n (26)
  • Wektory słów (27)
  • Działania na wektorach słów (29)
  • word2viz (30)
  • Reprezentacje lokalne i rozproszone (32)
• Elementy naturalnego języka ludzi (33)
• Google Duplex (35)
• Podsumowanie (37)

3. Sztuka maszynowa (39)

• Zakrapiana impreza (39)
• Arytmetyka nieprawdziwych twarzy (41)
• Transfer stylu: konwersja zdjęcia na obraz Moneta (i odwrotnie) (44)
• Tworzenie własnych, fotograficznie realistycznych rysunków (45)
• Tworzenie realistycznych obrazów na podstawie tekstu (45)
• Przetwarzanie obrazów przy użyciu głębokiego uczenia (46)
• Podsumowanie (47)

4. Maszyny i gry (49)

• Głębokie uczenie, sztuczna inteligencja i inne bestie (49)
  • Sztuczna inteligencja (49)
  • Uczenie maszynowe (50)
  • Uczenie się reprezentacji (51)
  • Sztuczne sieci neuronowe (51)
  • Głębokie uczenie (51)
  • Widzenie maszynowe (52)
  • Przetwarzanie języka naturalnego (53)
• Trzy kategorie problemów uczenia maszynowego (53)
  • Uczenie nadzorowane (53)
  • Uczenie nienadzorowane (54)
  • Uczenie przez wzmacnianie (54)
• Głębokie uczenie przez wzmacnianie (56)
• Gry wideo (57)
• Gry planszowe (60)
  • AlphaGo (60)
  • AlphaGo Zero (62)
  • AlphaZero (64)
• Manipulowanie obiektami (66)
• Popularne środowiska dla głębokiego uczenia przez wzmacnianie (68)
  • OpenAI Gym (68)
  • DeepMind Lab (68)
  • Unity ML-Agents (71)
• Trzy kategorie sztucznej inteligencji (71)
  • Sztuczna wąska inteligencja (71)
  • Sztuczna ogólna inteligencja (71)
  • Sztuczna superinteligencja (72)
• Podsumowanie (72)

II. PODSTAWY TEORETYCZNE W ILUSTRACJACH (73)

5. Wóz (kodu) przed koniem (teorii) (75)

• Wymagania (75)
• Instalacja (76)
• Prosta sieć i biblioteka Keras (76)
  • Baza MNIST odręcznych cyfr (76)
  • Schemat sieci (78)
  • Załadowanie danych (79)
  • Przeformatowanie danych (81)
  • Zaprojektowanie architektury sieci neuronowej (82)
  • Trenowanie modelu sieci neuronowej (83)
• Podsumowanie (84)

6. Sztuczny neuron wykrywający hot dogi (85)

• Biologiczna neuroanatomia (85)
• Perceptron (86)
  • Wykrywacz: "hot dog" - "nie hot dog" (86)
  • Najważniejsza formuła w tej książce (90)
• Współczesne neurony i funkcje aktywacji (91)
  • Neuron sigmoidalny (92)
  • Neuron tangensowy (94)
  • Neuron ReLU (94)
• Wybór neuronu (96)
• Podsumowanie (96)
• Kluczowe pojęcia (97)

7. Sztuczne sieci neuronowe (99)

• Warstwa wejściowa (99)
• Warstwa zagęszczona (99)
• Zagęszczona sieć wykrywająca hot dogi (101)
  • Propagacja w przód w pierwszej warstwie ukrytej (102)
  • Propagacja w przód w kolejnych warstwach (103)
• Warstwa softmax w sieci wykrywającej hot dogi (105)
• Nowe spojrzenie na naszą płytką sieć (107)
• Podsumowanie (109)
• Kluczowe pojęcia (109)

8. Trenowanie głębokich sieci (111)

• Funkcja kosztu (111)
  • Kwadratowa funkcja straty (112)
  • Wysycenie neuronu (112)
  • Entropia skrośna (113)
• Optymalizacja - uczenie się minimalizowania kosztu (115)
  • Gradient prosty (115)
  • Szybkość uczenia się (117)
  • Wielkość paczki i stochastyczny gradient prosty (119)
  • Ucieczka z lokalnego minimum (121)
• Propagacja wstecz (123)
• Dobór liczby warstw ukrytych i liczby neuronów (124)
• Średniogłęboka sieć w Keras (126)
• Podsumowanie (129)
• Kluczowe pojęcia (129)

9. Usprawnianie głębokich sieci (131)

• Inicjalizacja wag (131)
  • Rozkłady Xaviera Glorota (134)
• Niestabilne gradienty (137)
  • Zanikające gradienty (137)
  • Eksplodujące gradienty (137)
  • Normalizacja paczki (138)
• Uogólnianie modelu (zapobieganie nadmiernemu dopasowaniu) (139)
  • Regularyzacja L1 i L2 (141)
  • Dropout (141)
  • Powiększenie danych (144)
• Pomysłowe optymalizatory (144)
  • Impet (144)
  • Impet Nesterowa (145)
  • AdaGrad (145)
  • AdaDelta i RMSprop (146)
  • Adam (146)
• Głęboka sieć neuronowa w Keras (147)
• Regresja (148)
• TensorBoard (151)
• Podsumowanie (153)
• Kluczowe pojęcia (154)

III. INTERAKTYWNE ZASTOSOWANIA GŁĘBOKIEGO UCZENIA (155)

10. Widzenie maszynowe (157)

• Konwolucyjne sieci neuronowe (157)
  • Dwuwymiarowa struktura obrazów (157)
  • Złożoność obliczeniowa (158)
  • Warstwy konwolucyjne (158)
  • Wielokrotne filtry (160)
  • Konwolucyjny przykład (161)
  • Hiperparametry filtru konwolucyjnego (165)
• Warstwy redukujące (166)
• Sieć LeNet-5 w Keras (168)
• Sieci AlexNet i VGGNet w Keras (173)
• Sieci rezydualne (176)
  • Zanikający gradient - zmora głębokiej sieci konwolucyjnej (176)
  • Połączenia rezydualne (177)
  • Sieć ResNet (178)
• Zastosowania widzenia maszynowego (180)
  • Wykrywanie obiektów (180)
  • Segmentacja obrazów (183)
  • Uczenie transferowe (185)
  • Sieci kapsułowe (189)
• Podsumowanie (190)
• Kluczowe pojęcia (191)

11. Przetwarzanie języka naturalnego (193)

• Wstępne przetwarzanie danych języka naturalnego (193)
  • Tokenizacja (196)
  • Zamiana wszystkich znaków na małe litery (198)
  • Usunięcie stop-słów i interpunkcji (198)
  • Stemming (199)
  • Przetwarzanie n-gramów (200)
  • Wstępne przetworzenie całego korpusu (202)
• Osadzanie słów przy użyciu techniki word2vec (205)
  • Teoretyczne podstawy techniki word2vec (206)
  • Ocenianie wektorów słów (208)
  • Stosowanie techniki word2vec (208)
  • Tworzenie wykresów wektorów słów (212)
• Pole pod krzywą ROC (215)
  • Macierz pomyłek (217)
  • Wyliczanie pola pod krzywą ROC (218)
• Klasyfikowanie języka naturalnego za pomocą znanych sieci (220)
  • Załadowanie recenzji filmów z bazy IMDb (221)
  • Badanie bazy IMDb (224)
  • Ujednolicenie długości recenzji (227)
  • Sieć zagęszczona (227)
  • Sieci konwolucyjne (234)
• Sieci przystosowane do danych sekwencyjnych (238)
  • Rekurencyjne sieci neuronowe (238)
  • Jednostka LSTM (242)
  • Dwukierunkowa jednostka LSTM (245)
  • Spiętrzone modele rekurencyjne (246)
  • Techniki sekwencja-sekwencja i atencja (248)
  • Uczenie transferowe w przetwarzaniu języka naturalnego (249)
• Modele niesekwencyjne: funkcyjny interfejs API biblioteki Keras (249)
• Podsumowanie (254)
• Kluczowe pojęcia (255)

12. Sieci GAN (257)

• Teoretyczne podstawy sieci GAN (257)
• Zbiór rysunków Quick, Draw! (260)
• Sieć dyskryminatora (263)
• Sieć generatora (266)
• Sieć antagonistyczna (269)
• Trening sieci GAN (271)
• Podsumowanie (278)
• Kluczowe pojęcia (279)

13. Głębokie uczenie przez wzmacnianie (281)

• Podstawy teoretyczne uczenia przez wzmacnianie (281)
  • Gra Cart-Pole (282)
  • Proces decyzyjny Markowa (284)
  • Optymalna polityka (286)
• Podstawy teoretyczne sieci głębokiego Q-uczenia (287)
  • Funkcja wartości (288)
  • Funkcja Q-wartości (288)
  • Szacowanie optymalnej Q-wartości (289)
• Definiowanie agenta sieci DQN (290)
  • Parametry inicjalizacyjne (293)
  • Tworzenie sieci neuronowej agenta (294)
  • Rejestrowanie przebiegu gry (295)
  • Trening poprzez odtwarzanie zapisanych informacji (295)
  • Wybór czynności do wykonania (297)
  • Zapisywanie i ładowanie parametrów modelu (297)
• Interakcja ze środowiskiem OpenAI Gym (297)
• Optymalizacja hiperparametrów za pomocą narzędzia SLM Lab (301)
• Agenci nie tylko DQN (303)
  • Algorytmy gradientu polityki i REINFORCE (304)
  • Algorytm aktor-krytyk (304)
• Podsumowanie (305)
• Kluczowe pojęcia (306)

IV TY I SZTUCZNA INTELIGENCJA (307)

14. Rozwijanie własnych projektów głębokiego uczenia (309)

• Pomysły na projekty głębokiego uczenia (309)
  • Widzenie maszynowe i sieci GAN (309)
  • Przetwarzanie języka naturalnego (311)
  • Głębokie uczenie przez wzmacnianie (312)
  • Przekształcanie istniejących projektów uczenia maszynowego (312)
• Materiały do kolejnych projektów (313)
  • Projekty pożytku publicznego (314)
• Proces modelowania i strojenie hiperparametrów (314)
  • Automatyzacja strojenia hiperparametrów (316)
• Biblioteki głębokiego uczenia (317)
  • Keras i TensorFlow (317)
  • PyTorch (319)
  • MXNet, CNTK, Caffe i inne biblioteki (320)
• Software 2.0 (320)
• Nadejście ogólnej sztucznej inteligencji (322)
• Podsumowanie (324)

DODATKI (327)

A Formalna notacja sieci neuronowych (329)

B Propagacja wstecz (331)

C Biblioteka PyTorch (335)

• Funkcjonalności biblioteki PyTorch (335)
  • System autograd (335)
  • Zasada "definiowanie przez działanie" (335)
  • Biblioteka PyTorch kontra TensorFlow (336)
• PyTorch w praktyce (337)
  • Instalacja (337)
  • Podstawowe jednostki (337)
  • Tworzenie głębokiej sieci neuronowej (339)

Źródła ilustracji (341)