Głębokie uczenie. Wprowadzenie

Głębokie uczenie. Wprowadzenie Autor: Jacek Tabor, Marek Śmieja, Łukasz Struski, Przemysław Spurek, Maciej Wołczyk ISBN: 978-83-283-8541-2 Liczba stron: 184 Format: 158x235 Oprawa: miękka

Opanuj podstawy uczenia maszynowego Od mniej więcej piętnastu lat jesteśmy świadkami rewolucji w nauczaniu maszynowym na niesamowitą skalę. Rewolucji tej sprzyja intensywny rozwój głębokich sieci neuronowych oraz niezbędnego do tego sprzętu obliczeniowego, takiego jak karty graficzne. "Deep learning", "machine learning" - te słowa klucze rozpalają wyobraźnię programistów, innowatorów i przedstawicieli przemysłu na całym świecie. Także studentów kierunków politechnicznych. Na świecie wydaje się sporo literatury poświęconej tym zagadnieniom, w Polsce niestety mamy pod tym względem deficyt. Niniejszy podręcznik, pomyślany jako wprowadzenie do tematu uczenia głębokiego, ma z założenia uzupełnić tę lukę. W związku z tym opracowany został w sposób umożliwiający zrozumienie zawartych w nim treści także osobom, które nie zetknęły się dotąd nawet z klasycznymi metodami nauczania maszynowego. Stąd sporo miejsca autorzy poświęcają podstawowym konceptom klastrowania, klasyfikacji oraz regresji. Druga połowa książki przybliża głębokie odpowiedniki modeli klasycznych - z naciskiem na objaśnienie podstawowych pojęć i ich intuicji. Ponieważ dla pełnego zrozumienia modeli niezbędne jest ich zaimplementowanie, integralną część książki stanowi kod, dostępny dla czytelnika na platformie GITHUB.

Tytuły rozdziałów: 1. Wstęp 2. Wprowadzenie do uczenia maszynowego 3. Uczenie nienadzorowane 4. Uczenie nadzorowane: regresja 5. Uczenie nadzorowane: klasyfikacja 6. Metody kernelowe 7. Wprowadzenie do sieci neuronowych 8. Trenowanie sieci neuronowych 9. Wprowadzenie do sieci konwolucyjnych 10. Sieci konwolucyjne w praktyce 11. Głębokie modele nienadzorowane 12. Rekurencyjne sieci neuronowe 13. Atencja