Książka Zrozumieć głębokie uczenie pokazuje, jak od zera budować sieci neuronowe głębokiego uczenia. Andrew Trask - doświadczony ekspert w tej dziedzinie, w swobodnym i przejrzystym stylu prezentuje leżącą w tle naukę, dzięki czemu możesz samodzielnie zrozumieć każdy szczegół nauczania sieci neuronowych. Jedynie przy użyciu Pythona i jego biblioteki matematycznej NumPy będziesz mógł uczyć swoje własne sieci neuronowe, aby samodzielnie zobaczyć i zrozumieć jak działa rozpoznawanie obrazów, tłumaczenie tekstów na różne języki, a nawet w jaki sposób pisać jak Szekspir! Po ukończeniu lektury będziesz gotów do poznawania platform głębokiego uczenia. Zawartość książki: Wiedza, na której opiera się głębokie uczenie Budowanie i uczenie swoich własnych sieci neuronowych Koncepcje ochrony prywatności, w tym uczenie sfederowane Wskazówki na temat dalszego studiowania głębokiego uczenia Książka przeznaczona jest dla czytelników dysponujących wiedzą matematyczną na poziomie szkoły średniej i średnimi umiejętnościami programistycznymi.

Osoby które kupowały "Zrozumieć głębokie uczenie", wybierały także:

• Windows Media Center. Domowe centrum rozrywki 66,67 zł, (8,00 zł -88%)
• Przywództwo w świecie VUCA. Jak być skutecznym liderem w niepewnym środowisku 58,64 zł, (12,90 zł -78%)
• Mapa Agile & Scrum. Jak si 57,69 zł, (15,00 zł -74%)
• Sztuka podst 53,46 zł, (13,90 zł -74%)
• Lean dla bystrzaków. Wydanie II 49,62 zł, (12,90 zł -74%)

Spis treści

Zrozumieć głębokie uczenie eBook -- spis treści

• Okładka
• Strona tytułowa
• Strona redakcyjna
• Przedmowa
• Podziękowania
• O tej książce
• O autorze
• 1. Wprowadzenie do głębokiego uczenia: dlaczego warto się tego nauczyć
  • W tym rozdziale
  • Zapraszamy do grokowania głębokiego uczenia
  • Dlaczego warto opanować głębokie uczenie się
  • Czy trudno będzie się tego nauczyć?
  • Dlaczego powinieneś przeczytać tę książkę
  • Co jest potrzebne, aby zacząć
  • Zapewne potrzebna jest jakaś znajomość Pythona
  • Podsumowanie
• 2. Podstawowe koncepcje: jak maszyny się uczą?
  • W tym rozdziale
  • Czym jest głębokie uczenie?
  • Czym jest uczenie się maszyn?
  • Nadzorowane uczenie się maszyn
  • Nienadzorowane uczenie się maszyn
  • Uczenie parametryczne kontra nieparametryczne
  • Nadzorowane uczenie parametryczne
  • Parametryczne uczenie nienadzorowane
  • Uczenie nieparametryczne
  • Podsumowanie
• 3. Wprowadzenie do prognozowania neuronowego: propagacja w przód
  • W tym rozdziale
  • Krok 1: Prognoza
  • Wykonywanie prognozy przez prostą sieć neuronową
  • Czym jest sieć neuronowa?
  • Co robi ta sieć neuronowa?
  • Wykonywanie prognozy dla wielu danych wejściowych
  • Wiele danych wejściowych: Co robi ta sieć neuronowa?
  • Wykonywanie prognozy z wieloma danymi wyjściowymi
  • Prognozowanie z wieloma danymi wejściowymi i wyjściowymi
  • Wiele wejść i wyjść: jak to działa?
  • Prognozowanie na podstawie prognoz
  • Elementarz NumPy
  • Podsumowanie
• 4. Wprowadzenie do prognozowania neuronowego: metoda gradientowa
  • W tym rozdziale
  • Przewidywanie, porównywanie i nauka
  • Porównywanie
  • Nauka
  • Po co mierzyć błędy?
  • Jaka jest najprostsza forma uczenia się sieci neuronowej?
  • Nauka metodą ciepło-zimno
  • Charakterystyka uczenia metodą ciepło-zimno
  • Obliczanie jednocześnie kierunku i wielkości na podstawie błędu
  • Jedna iteracja metody gradientowej
  • Uczenie się jest po prostu redukowaniem błędu
  • Przyjrzyjmy się kilku krokom uczenia się
  • Dlaczego to działa? Czym naprawdę jest weight_delta?
  • Skupmy całą uwagę na jednej idei
  • Pudełko z wystającymi drążkami
  • Pochodne: Podejście drugie
  • Co naprawdę trzeba wiedzieć
  • Czego nie musimy naprawdę wiedzieć
  • Jak użyć pochodnych do uczenia się
  • Psucie metody gradientowej
  • Wizualizacja nadmiernych korekt
  • Rozbieżność
  • Wprowadzenie parametru alpha
  • Alpha w kodzie źródłowym
  • Zapamiętywanie
• 5. Uczenie się dla wielu wag jednocześnie: uogólnienie metody gradientowej
  • W tym rozdziale
  • Uczenie się metodą gradientową przy wielu danych wejściowych
  • Prosty gradient z wieloma danymi wejściowymi objaśnienie
  • Przyjrzyjmy się kilku krokom uczenia się
  • Zamrożenie jednej wagi: co to daje?
  • Uczenie się metodą gradientową z wieloma wyjściami
  • Metoda gradientowa z wieloma wejściami i wyjściami
  • Czego uczą się te wagi?
  • Wizualizacja wartości wag
  • Wizualizowanie iloczynów skalarnych (sum ważonych)
  • Podsumowanie
• 6. Budowanie pierwszej głębokiej sieci neuronowej: wprowadzenie do propagacji wstecznej
  • W tym rozdziale
  • Problem świateł ulicznych
  • Przygotowywanie danych
  • Macierze i relacje macierzowe
  • Tworzenie macierzy w Pythonie
  • Budowanie sieci neuronowej
  • Uczenie się całego zbioru danych
  • Pełna, wsadowa i stochastyczna metoda gradientowa
  • Sieci neuronowe uczą się korelacji
  • Presja w górę i w dół
  • Przypadek brzegowy: przeuczenie (overfitting)
  • Przypadek brzegowy: sprzeczne presje
  • Uczenie się pośredniej korelacji
  • Tworzenie korelacji
  • Układanie sieci neuronowych w stos: przegląd
  • Propagacja wsteczna: długodystansowy wkład błędu
  • Propagacja wsteczna: dlaczego to działa?
  • Liniowe czy nieliniowe
  • Dlaczego sieć neuronowa nadal nie działa
  • Tajemnica korelacji warunkowej
  • Krótka przerwa
  • Nasza pierwsza głęboka sieć neuronowa
  • Propagacja wsteczna w kodzie
  • Jedna iteracja propagacji wstecznej
  • Zebranie wszystkiego razem
  • Dlaczego głębokie sieci są ważne?
• 7. Jak obrazować sieci neuronowe: w myślach i na papierze
  • W tym rozdziale
  • Czas na uproszczenie
  • Korelacja zbiorcza
  • Wcześniejsza, zbyt złożona wizualizacja
  • Uproszczona wizualizacja
  • Jeszcze większe upraszczanie
  • Zobaczmy, jak prognozuje ta sieć
  • Wizualizacja przy użyciu liter zamiast obrazów
  • Łączenie zmiennych
  • Wszystko obok siebie
  • Ważność narzędzi wizualizacji
• 8. Uczenie się sygnałów i ignorowanie szumu: wprowadzenie do regularyzacji i przetwarzania wsadowego
  • W tym rozdziale
  • Trójwarstwowa sieć dla danych MNIST
  • No dobrze, to było łatwe
  • Zapamiętywanie a uogólnianie
  • Przeuczenie w sieciach neuronowych
  • Skąd bierze się przeuczenie
  • Najprostsza regularyzacja: wczesne zatrzymanie
  • Branżowy standard regularyzacji: wykluczanie (dropout)
  • Dlaczego wykluczanie działa: działanie zespołowe
  • Wykluczanie w kodzie
  • Przetwarzanie z wykluczeniem dla danych MNIST
  • Miniwsadowa metoda gradientowa
  • Podsumowanie
• 9. Modelowanie prawdopodobieństwa i nieliniowość: funkcje aktywacji
  • W tym rozdziale
  • Czym jest funkcja aktywacji?
  • Standardowe funkcje aktywacji dla ukrytych warstw
  • Standardowe funkcje aktywacji dla warstwy wyjściowej
  • Kluczowy problem: Dane wejściowe zawierają podobieństwa
  • Obliczanie funkcji softmax
  • Stosowanie funkcji aktywacji
  • Mnożenie delta przez nachylenie
  • Przełożenie wielkości wyjścia na nachylenie (pochodną)
  • Aktualizowanie sieci MNIST
• 10. Neuronowe uczenie się krawędzi i narożników: wprowadzenie do konwolucyjnych sieci neuronowych
  • W tym rozdziale
  • Wielokrotne wykorzystanie tych samych wag w wielu miejscach
  • Warstwa konwolucyjna
  • Prosta implementacja w NumPy
  • Podsumowanie
• 11. Sieci neuronowe rozumiejące język: kingman+woman ==?
  • W tym rozdziale
  • Czym jest rozumienie języka?
  • Przetwarzanie języka naturalnego (NLP)
  • Nadzorowane NLP
  • Zbiór danych recenzji filmowych z IMDB
  • Przechwytywanie korelacji słów w danych wejściowych
  • Prognozowanie recenzji filmów
  • Wprowadzenie do warstw osadzających
  • Interpretowanie wyjścia
  • Architektura sieci neuronowej
  • Porównywanie osadzeń słów
  • Czym jest znaczenie neuronu?
  • Wypełnianie pustych miejsc
  • Znaczenie wynika ze straty
  • King Man + Woman ~= Queen
  • Analogie słów
  • Podsumowanie
• 12. Sieci neuronowe piszące jak Szekspir: warstwy rekurencyjne dla danych o zmiennej długości
  • W tym rozdziale
  • Wyzwanie: dane o dowolnej długości
  • Czy porównywanie naprawdę ma znaczenie?
  • Zaskakująca siła uśrednionych wektorów słów
  • Jak informacja jest przechowywana w tych osadzeniach?
  • Jak sieć neuronowa wykorzystuje osadzenia?
  • Ograniczenia wektorów worka słów
  • Wykorzystanie macierzy jednostkowych do sumowania osadzeń słów
  • Macierze, które niczego nie zmieniają
  • Uczenie się macierzy przejść
  • Uczenie się w celu tworzenia użytecznych wektorów zdań
  • Propagacja w przód w Pythonie
  • Jak zastosować do tego propagację wsteczną?
  • Nauczmy tę sieć!
  • Przygotowania
  • Propagacja w przód przy danych dowolnej długości
  • Propagacja wsteczna dla danych o dowolnej długości
  • Aktualizowanie wag przy danych dowolnej długości
  • Uruchomienie i analiza wyjścia
  • Podsumowanie
• 13. Przedstawiamy automatyczną optymalizację: budujemy platformę głębokiego uczenia
  • W tym rozdziale
  • Czym jest platforma głębokiego uczenia?
  • Wprowadzenie do tensorów
  • Wprowadzenie do automatycznego obliczania gradientu (autograd)
  • Małe podsumowanie
  • Tensory używane wielokrotnie
  • Ulepszenie funkcji autograd w celu obsługi wielokrotnie używanych tensorów
  • Jak działa wsteczna propagacja dodawania?
  • Dodawanie obsługi zmiany znaku
  • Dodawanie obsługi dodatkowych funkcji
  • Wykorzystanie autograd do uczenia sieci neuronowej
  • Dodanie automatycznej optymalizacji
  • Dodanie wsparcia dla różnych typów warstw
  • Warstwy zawierające warstwy
  • Warstwy funkcji straty
  • Jak uczyć platformę
  • Warstwy nieliniowości
  • Warstwa osadzająca
  • Dodawanie indeksowania do mechanizmu autograd
  • Warstwa osadzająca powraca
  • Warstwa entropii krzyżowej
  • Warstwa rekurencyjna
  • Podsumowanie
• 14. Uczenie się pisania jak Szekspir: długa pamięć krótkotrwała (LSTM)
  • W tym rozdziale
  • Modelowanie znaków języka
  • Potrzeba obcięcia propagacji wstecznej
  • Obcięta propagacja wsteczna
  • Próbka wyjścia
  • Zanikające i eksplodujące gradienty
  • Mały przykład propagacji wstecznej w RNN
  • Komórki LSTM
  • Intuicyjne rozumienie bramek LSTM
  • Warstwa LSTM
  • Ulepszanie modelu znaków języka
  • Uczenie LSTM modelu znaków języka
  • Dostrajanie modelu LSTM znaków języka
  • Podsumowanie
• 15. Głębokie uczenie się na niewidzianych danych: wprowadzenie do uczenia sfederowanego
  • W tym rozdziale
  • Problem prywatności w głębokim uczeniu się
  • Sfederowane uczenie się
  • Uczenie się wykrywania spamu
  • Stwórzmy federację
  • Włamywanie się do sfederowanego uczenia się
  • Bezpieczne agregowanie
  • Szyfrowanie homomorficzne
  • Homomorficznie szyfrowane sfederowane uczenie się
  • Podsumowanie
• 16. Co dalej: krótki przewodnik
  • W tym rozdziale
  • Gratulacje!
  • Krok 1: Początek nauki PyTorch
  • Krok 2: Udział w innych kursach głębokiego uczenia się
  • Krok 3: Matematyczne podręczniki głębokiego uczenia się
  • Krok 4: Utworzenie bloga i nauczanie głębokiego uczenia się
  • Krok 5: Twitter
  • Krok 6: Stosowanie wiedzy z artykułów naukowych
  • Krok 7: Zdobądź dostęp do GPU
  • Krok 8: Zarabianie przy zdobywaniu praktyki
  • Krok 9: Dołączenie do projektu open source
  • Krok 10: Rozwijanie lokalnej społeczności
• Przypisy