GŁĘBOKIE UCZENIE WPROWADZENIE

ISBN: 978-83-283-8541-2

179 stron
format: B5
oprawa: miękka
Rok wydania: 2022

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.

SPIS TREŚCI

Rozdział 1. Wstęp

Rozdział 2. Wprowadzenie do uczenia maszynowego
2.1. Analiza modelu i funkcja kosztu
2.2. Minimalizacja funkcji kosztu

Rozdział 3. Uczenie nienadzorowane
3.1. Klastrowanie: kđmeans
3.2. Redukcja wymiarowości: PCA
3.3. Estymacja gęstości

Rozdział 4. Uczenie nadzorowane: regresja
4.1. Regresja liniowa
4.2. Zanurzenie
4.3. Ewaluacja modelu nadzorowanego

Rozdział 5. Uczenie nadzorowane: klasyfikacja
5.1. Wprowadzenie do klasyfikacji
5.2. Klasyfiacja binarna: SVM
5.3. Klasyfikacja wieloklasowa: regresja logistyczna
5.4. Ocena modelu klasyfikacji
5.5. Klasyfikacja niezbalansowania
5.6. Konstrukcja funkcji kosztu w problemach regresyjnych

Rozdział 6. Metody kernelowe
6.1. Wprowadzenie do metod kernelowych
6.2. Praktyczne użycie skernelizowanych metod
6.3. Porównywanie próbek i rozkładów: MMD

Rozdział 7. Wprowadzenie do sieci neuronowych
7.1. Budowa sieci neuronowych
7.2. Klasyfiacja nieliniowa: spojrzenie geometryczne
7.3. Uczenie sieci neuronowej na przykładzie regresji
7.4. Teoria a praktyka w sieciach neuronowych

Rozdział 8. Trenowanie sieci neuronowych
8.1. Problem klasyfikacyjny
8.2. Optymalizacja za pomocą metody spadku gradientu
8.3. Optymalizator Adam
8.4. Regularyzacja i augmentacje
8.5. Moja sieć neuronowa nie działa: poradnik

Rozdział 9. Wprowadzenie do sieci konwolucyjnych
9.1. Przetwarzanie obrazów za pomocą sieci fullyđconnected
9.2. Filtry konwolucyjne
9.3. Sieci konwolucyjne

Rozdział 10. Sieci konwolucyjne w praktyce
10.1. Początki sieci konwolucyjnych
10.2. Techniki regularyzacyjne
10.3. Połączenia rezydualne: ResNet
10.4. Wybrane architektury CNN
10.5. Finetuning: dostrajanie modelu do nowych zadań
10.6. Segmentacja obrazów: UđNet

Rozdział 11. Głębokie modele nienadzorowane
11.1. Nienadzorowana reprezentacja danych
11.2. Modele generatywne: GANy
11.3. Estymacja gęstości: invertible normalizing flows

Rozdział 12. Rekurencyjne sieci neuronowe
12.1. Wprowadzenie do danych sekwencyjnych
12.2. Rekurencja jako model autoregresywny
12.3. Sieci rekurencyjne (RNN)
12.4. Model Seq2Seq
12.5. Zaawansowane modele sieci rekurencyjnych

Rozdział 13. Atencja
13.1. Wstęp
13.2. Mechanizm atencji
13.3. Atencja w modelu Seq2Seq
13.4. Selfđattention
13.5. Selfđattention GAN
13.6. Transformer jako rozwinięcie selfđatencji

Bibliografia