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 technikę. Niezwykle, w wypadku na przykład sieci neuronowych nie wiemy, czego skrupulatnie uczy się model.

Możemy tylko ocenić, czy poprawnie realizuje swoje zadanie. Wydaje się, iż w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego poprawnie 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. Aby zrozumieć zawartą w niej treść, starczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły średniej. Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim.

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

dużo miejsca poświęcono ponadto sieciom neuronowym, mechanizmom ich działania i technikom treningu. I lecz nie odnajdziesz tutaj gotowych receptur, to zdobędziesz wiedzę konieczną, aby od podstaw zaprojektować działający model uczenia głębokiego.

W książce między innymi: budowanie dobrego zestawu informacji uczących praca z bibliotekami scikit-learn i Keras klasyczne 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.