Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona

Uczenie głębokie fascynuje wielu inżynierów i praktyków. Mimo że systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię.

• Możemy tylko ocenić, czy dobrze realizuje swoje zadanie.
• Wydaje się, że w sposobie pracy algorytmów uczenia głębokiego tkwi magia.

Istotnie, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głębokie.

• Ta książka jest przystępnym przewodnikiem po uczeniu maszynowym.

• Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim.

Aby zrozumieć zawartą w niej treść, wystarczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły średniej. 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. W książce między innymi: budowanie dobrego zestawu danych uczących praca z bibliotekami scikit-learn i Keras klasyczne modele uczenia maszynowego mechanizm działania i uczenia sieci neuronowych modele wykorzystujące splotowe sieci neuronowe przygotowanie od podstaw działającego modelu Uczenie głębokie: przyszedł czas na Twój pierwszy model!