Deep learning. praktyczne wprowadzenie (Helion)

Uczenie głębokie fascynuje wielu inżynierów i praktyków. Mimo iż systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię. Bardzo, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model.

Możemy tylko ocenić, czy prawidłowo realizuje swoje zadanie. Wydaje się, iż w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głębokie.

Ta książka jest przystępnym przewodnikiem po uczeniu maszynowym. Żeby zrozumieć zawartą w niej treść, wystarczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły przeciętnej. Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim.

Dzięki lekturze dowiesz się, czym się charakteryzuje dobry zbiór danych uczących, jak ocenić skuteczność modelu i jak korzystać z takich modeli jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych.

dużo miejsca poświęcono w dodatku sieciom neuronowym, mechanizmom ich działania i technikom treningu. I chociaż nie odszukasz tutaj gotowych receptur, to zdobędziesz wiedzę niezbędną, żeby od podstaw zaprojektować działający model uczenia głębokiego.

W książce między innymi: budowanie prawidłowego zestawu danych uczących praca z bibliotekami scikit-learn i Keras konwencjonalne modele uczenia maszynowego mechanizm działania i uczenia sieci neuronowych modele wykorzystujące splotowe sieci neuronowe przygotowanie od podstaw działającego modelu Uczenie głębokie: przyszedł czas na Twój pierwszy model!

Powyższy opis pochodzi od wydawcy.