Deep Learning Praktyczne wprowadzenie z zastosowaniem środowiska Pythona

Opis produktu:

<P><STRONG>Uczenie głębokie</STRONG> fascynuje wielu inżynierów i praktyków. Mimo że systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię. Istotnie, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model. Możemy tylko ocenić, czy dobrze realizuje swoje zadanie. Wydaje się, że w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głębokie.</P><P>Ta książka jest przystępnym przewodnikiem po uczeniu maszynowym. Aby zrozumieć zawartą w niej treść, wystarczy 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 charakteryzuje dobry zbiór danych uczących, jak ocenić skuteczność modelu i jak korzystać z takich modeli jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Sporo miejsca poświęcono również sieciom neuronowym, mechanizmom ich działania i technikom treningu. I chociaż nie znajdziesz tutaj gotowych receptur, to zdobędziesz wiedzę potrzebną, by od podstaw zaprojektować działający model uczenia głębokiego.</P><P>W książce między innymi:</P><UL> <LI>budowanie dobrego zestawu danych uczących</LI> <LI>praca z bibliotekami scikit-learn i Keras</LI> <LI>klasyczne modele uczenia maszynowego</LI> <LI>mechanizm działania i uczenia sieci neuronowych</LI> <LI>modele wykorzystujące splotowe sieci neuronowe</LI> <LI>przygotowanie od podstaw działającego modelu</LI></UL>Uczenie głębokie: przyszedł czas na Twój pierwszy model!<P> </P>