Машинное обучение и TensorFlow, Шакла Н., 2019

Машинное обучение и TensorFlow, Шакла Н., 2019.

  Знакомство с машинным обучением и библиотекой TensorFlow похоже на первые уроки в автошколе, когда вы мучаетесь с параллельной парковкой, пытаетесь переключить передачу в нужный момент и не перепутать зеркала, лихорадочно вспоминая последовательность действий, в то время как ваша нога нервно подрагивает на педали газа. Это сложное, но необходимое упражнение. Так и в машинном обучении: прежде чем использовать современные системы распознавания лиц или алгоритмы прогнозирования на фондовом рынке, вам придется разобраться с соответствующим инструментарием и набором инструкций, чтобы затем без проблем создавать собственные системы.
Новички в машинном обучении оценят прикладную направленность этой книги, ведь ее цель — познакомить с основами, чтобы затем быстро приступить к решению реальных задач. От обзора концепций машинного обучения и принципов работы с TensorFlow вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоягельно решать задачи классификации, кластеризации, регрессии и прогнозирования.




Одиссея машинного обучения.
Вы когда-нибудь задумывались, есть ли предел того, что можно вычислить при помощи компьютерной программы? В наши дни компьютеры способны делать гораздо больше, чем просто решать математические уравнения. Во второй половине столетия программирование стало основным инструментом для автоматизации операций и средством экономии времени, но каков объем того, что мы можем автоматизировать и как вообще можно себе такое представить?

Может ли компьютер изучить фотографию и сказать: «Ага, вижу влюбленную парочку, прогуливающуюся по мосту под зонтом во время дождя»? Может ли программное обеспечение ставить настолько же точные медицинские диагнозы, как и опытный специалист? Могут ли прогнозы программного обеспечения относительно ситуации на фондовых рынках быть лучше, чем умозаключения человека? Достижения последнего десятилетия позволяют предположить, что ответом на все эти вопросы является многократное «да», а в основе реализации этих задач лежат общие методы.

Недавние достижения в теоретических исследованиях вкупе с новейшими технологиями дают возможность каждому при наличии компьютера попытаться найти свой подход к решению этих чрезвычайно сложных задач. Ну хорошо, не совсем каждому, но ведь поэтому-то вы и читаете эту книгу, верно?

Оглавление.
Предисловие.
Благодарности.
Об этой книге.
Содержание книги.
Исходный код.
Форум книги.
Об авторе.
Об обложке.
От издательства.
Часть I. Ваше снаряжение для машинного обучения.
Глава 1. Одиссея машинного обучения.
1.1. Основы машинного обучения.
1.1.1. Параметры.
1.1.2. Обучение и вывод.
1.2. Представление данных и признаки.
1.3. Метрики расстояния.
1.4. Типы обучения.
1.4.1. Обучение с учителем.
1.4.2. Обучение без учителя.
1.4.3. Обучение с подкреплением.
1.5. Библиотека TensorFlow.
1.6. Обзор предстоящих глав.
1.7. Краткие итоги.
Глава 2. Основы TensorFlow.
2.1. Убедитесь, что TensorFlow работает.
2.2. Представление тензоров.
2.3. Создание операторов.
2.4. Выполнение операторов во время сеанса.
2.4.1. Представление кода как графа.
2.4.2. Настройка конфигурации сеансов.
2.5. Написание кода в Jupyter.
2.6. Использование переменных.
2.7. Сохранение и загрузка переменных.
2.8. Визуализация данных с помощью TensorBoard.
2.8.1. Использование метода скользящего среднего.
2.8.2. Визуализация метола скользящего среднего.
2.9. Краткие итоги.
Часть II. Основные алгоритмы обучения.
Глава 3. Линейная и нелинейная регрессия.
3.1. Формальные обозначения.
3.1.1. Как понять, что алгоритм регрессии работает?.
3.2. Линейная регрессия.
3.3. Полиномиальная модель.
3.4. Регуляризация.
3.5. Применение линейной регрессии.
3.6. Краткие итоги.
Глава 4. Краткое введение в классификацию.
4.1. Формальные обозначения.
4.2. Оценка эффективности.
4.2.1. Правильность.
4.2.2. Точность и полнота.
4.2.3. Кривая ошибок.
4.3. Использование для классификации линейной регрессии.
4.4. Использование логистической регрессии.
4.4.1. Решение одномерной логистической регрессии.
4.4.2. Решение двумерной логистической регрессии.
4.5. Многоклассовая классификация.
4.5.1. Один против всех.
4.5.2. Каждый против каждого.
4.5.3. Многоклассовая логистическая регрессия.
4.6. Применение классификации.
4.7. Краткие итоги.
Глава 5. Автоматическая кластеризация данных.
5.1. Обход файлов в TensorFlow.
5.2. Извлечение признаков из звукозаписи.
5.3. Кластеризация методом Передних.
5.4. Сегментация звуковых данных.
5.5. Кластеризация с самоорганизующимися картами.
5.6. Применение кластеризации.
5.7. Краткие итоги.
Глава 6. Скрытое марковское моделирование.
6.1. Пример не интерпретируемой модели.
6.2. Модель Маркова.
6.3. Скрытое марковское моделирование.
6.4. Алгоритм прямого хода.
6.5. Декодирование Витерби.
6.6. Применение скрытых марковских моделей.
6.6.1. Моделирование видео.
6.6.2. Моделирование ДНК.
6.6.3. Моделирование изображения.
6.7. Применение скрытых марковских моделей.
6.8. Краткие итоги.
Часть III. Парадигма нейронных сетей.
Глава 7. Знакомство с автокодировщиками.
7.1. Нейронные сети.
7.2. Автокодировщики.
7.3. Пакетное обучение.
7.4. Работа с изображениями.
7.5. Применение автокодировщиков.
7.6. Краткие итоги.
Глава 8. Обучение с подкреплением.
8.1. Формальные обозначения.
8.1.1. Политика.
8.1.2. Выгода.
8.2. Применение обучения с подкреплением.
8.3. Реализация обучения с подкреплением.
8.4. Исследование других областей использования обучения с подкреплением.
8.5. Краткие итоги.
Глава 9. Сверточные нейронные сети.
9.1. Недостатки нейронных сетей.
9.2. Сверточные нейронные сети.
9.3. Подготовка изображения.
9.3.1. Создание фильтров.
9.3.2. Свертывания с использованием фильтров.
9.3.3. Подвыборка с определением максимального значения (max pooling).
9.4. Использование сверточной нейронной сети в TensorFlow.
9.4.1. Оценка эффективности.
9.4.2. Обучения классификатора.
9.5. Советы и трюки по повышению эффективности.
9.6. Применение сверточных нейронных сетей.
9.7. Краткие итоги.
Глава 10. Рекуррентные нейронные сети.
10.1. Контекстная информация.
10.2. Введение в рекуррентные нейронные сети.
10.3. Использование рекуррентной нейронной сети.
10.4. Прогностическая модель данных временного ряда.
10.5. Применение рекуррентных нейронных сетей.
10.6. Краткие итоги.
Глава 11. Модели sequence-to-sequence для чат-бота.
11.1. Построения на основе классификации и RNN.
11.2. Архитектура seq2seq.
11.3. Векторное представление символов.
11.4. Собирая все вместе.
11.5. Сбор данных диалога.
11.6. Краткие итоги.
Глава 12. Ландшафт полезности.
12.1. Модель предпочтения.
12.2. Встраивание изображения.
12.3. Ранжирование изображений.
12.4. Краткие итоги.
12.5. Что дальше?.
Приложение. Установка.
П.1. Установка TensorFlow с помощью Docker.
П.1.1. Установка Docker в ОС Windows.
П.1.2. Установка Docker в ОС Linux.
П.1.3. Установка Docker в macOS.
П.1.4. Как использовать Docker.
П.2. Установка Matplotlib.

Купить .



Хештеги: #учебник по программированию :: #программирование :: #Шакла