Глубокое обучение: легкая разработка проектов на Python

This document was uploaded by one of our users. The uploader already confirmed that they had the permission to publish it. If you are author/publisher or own the copyright of this documents, please report to us by using this DMCA report form.

Simply click on the Download Book button.

Yes, Book downloads on Ebookily are 100% Free.

Sometimes the book is free on Amazon As well, so go ahead and hit "Search on Amazon"

Взрывной интерес к нейронным сетям и искусственному интеллекту затронул уже все области жизни, и понимание принципов глубокого обучения необходимо каждому разработчику ПО для решения прикладных задач. Эта практическая книга представляет собой вводный курс для всех, кто занимается обработкой данных, а также для разработчиков ПО. Вы начнете с основ глубокого обучения и быстро перейдете к более сложным архитектурам, создавая проекты с нуля. Вы научитесь использовать многослойные, сверточные и рекуррентные нейронные сети. Только понимая принцип их работы (от «математики» до концепций), вы сделаете свои проекты успешными. В этой книге: • Четкие схемы, помогающие разобраться в нейросетях, и примеры рабочего кода. • Методы реализации многослойных сетей с нуля на базе простой объектно-ориентированной структуры. • Примеры и доступные объяснения сверточных и рекуррентных нейронных сетей. x Реализация концепций нейросетей с помощью популярного фреймворка PyTorch. • Реализация концепций нейросетей с помощью популярного фреймворка PyTorch.

Author(s): Сет Вейдман
Series: Бестселлеры O’Reilly
Edition: 1
Publisher: Питер
Year: 2021

Language: Russian
Commentary: Vector PDF
Pages: 272
City: СПб.
Tags: Machine Learning; To Read; Neural Networks; Deep Learning; Supervised Learning; Python; Convolutional Neural Networks; Recurrent Neural Networks; Linear Regression; PyTorch; Highly Rated; Elementary

Предисловие
Для понимания нейронных сетей нужно нескольких мысленных моделей
Структура книги
Условные обозначения
Использование примеров кода
Благодарности
От издательства
Глава 1. Математическая база
Функции
Производные
Вложенные функции
Цепное правило
Более длинная цепочка
Функции нескольких переменных
Производные функций нескольких переменных
Функции нескольких переменных с векторными аргументами
Создание новых признаков из уже существующих
Производные функции нескольких векторных переменных
Производные векторных функций: продолжение
Вычислительный граф для двух матриц
Самое интересное: обратный проход
Заключение
Глава 2. Основы глубокого обучения
Обучение с учителем
Алгоритмы обучения с учителем
Линейная регрессия
Обучение модели
Оценка точности модели
Код
Основы нейронных сетей
Обучение и оценка нейронной сети
Заключение
Глава 3. Основы глубокого обучения
Определение глубокого обучения: первый проход
Строительные блоки нейросети: операции
Строительные блоки нейросети: слои
Блочное строительство
Класс NeuralNetwork и, возможно, другие
Глубокое обучение с чистого листа
Trainer и Optimizer
Собираем все вместе
Заключение и следующие шаги
Глава 4. Расширения
Немного о понимании нейронных сетей
Многопеременная логистическая функция активации с перекрестно-энтропийными потерями
Эксперименты
Импульс
Скорость обучения
Инициализация весов
Исключение, или дропаут
Заключение
Глава 5. Сверточная нейронная сеть
Нейронные сети и обучение представлениям
Слои свертки
Реализация операции многоканальной свертки
Свертка: обратный проход
Использование операции для обучения CNN
Заключение
Глава 6. Рекуррентные нейронные сети
Ключевое ограничение: работа с ветвлениями
Автоматическое дифференцирование
Актуальность рекуррентных нейронных сетей
Введение в рекуррентные нейронные сети
RNN: код
Заключение
Глава 7. Библиотека PyTorch
Класс PyTorch Tensor
Глубокое обучение с PyTorch
Сверточные нейронные сети в PyTorch
P.S. Обучение без учителя через автокодировщик
Заключение
Приложение A. Глубокое погружение
Цепное правило
Градиент потерь с учетом смещения
Свертка с помощью умножения матриц
Об авторе
Об обложке