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