Rozdział 1. Podstawy uczenia maszynowego Uczące się maszyny Postawienie pytań Matematyczne podstawy uczenia maszynowego — algebra liniowa Matematyczne podstawy uczenia maszynowego — statystyka Jak uczą się maszyny? Regresja logistyczna Ocenianie modeli Poszerzanie wiedzy o uczeniu maszynowym Rozdział 2. Podstawy sieci neuronowych i głębokiego uczenia Sieci neuronowe Trenowanie sieci neuronowych Funkcje aktywacji Funkcje straty Hiperparametry Rozdział 3. Podstawy sieci głębokich Definicja głębokiego uczenia Popularne architektury sieci głębokich Bloki konstrukcyjne sieci głębokich Rozdział 4. Najważniejsze rodzaje sieci głębokich Wstępnie przetrenowane sieci nienadzorowane Sieci CNN Sieci RNN Rekursywne sieci neuronowe Podsumowanie i dyskusja Rozdział 5. Budowanie sieci głębokich Dobór głębokiej sieci odpowiedniej dla danego problemu Biblioteka narzędzi DL4J Podstawowe funkcje interfejsu API biblioteki DL4J Modelowanie danych CSV za pomocą wielowarstwowej sieci perceptronowej Modelowanie obrazów odręcznych znaków za pomocą sieci CNN Modelowanie sekwencji danych za pomocą sieci RNN Wykrywanie anomalii za pomocą autokoderów Rekonstrukcja cyfr z bazy MNIST za pomocą autokodera wariacyjnego Uczenie maszynowe w przetwarzaniu języka naturalnego Rozdział 6. Strojenie sieci głębokich Podstawowe zagadnienia strojenia sieci głębokich Dobór architektury sieci do rodzaju danych wejściowych Relacja pomiędzy przeznaczeniem sieci a warstwą wyjściową Liczba warstw i parametrów a wielkość pamięci Strategie inicjalizacji wag Ortogonalna inicjalizacja wag w sieciach RNN Dobór funkcji aktywacji Dobór funkcji straty Szybkość uczenia Jak rozrzedzenie wpływa na proces uczenia? Dobór metody optymalizacyjnej Przyspieszanie treningu za pomocą równoległości i procesorów GPU Dobór liczby epok i wielkości minipaczki Jak stosować regularyzację? Nierównowaga klas Nadmierne dopasowanie modelu Wskaźniki sieciowe w interfejsie strojeniowym Rozdział 7. Strojenie wybranych rodzajów głębokich sieci neuronowych Sieci CNN Sieci RNN Sieci RBM Sieci DBN Rozdział 8. Wektoryzacja Wstęp do wektoryzacji w uczeniu maszynowym Stosowanie narzędzia DataVec w procesie ETL i wektoryzacji Wektoryzacja obrazów Wektoryzacja danych sekwencyjnych Wektoryzacj a tekstu Przetwarzanie grafów Rozdział 9. Głębokie uczenie i biblioteka DL4J w środowisku Spark Wprowadzenie do biblioteki DL4J w środowiskach Spark i Hadoop Konfigurowanie i wykonywanie zadań w środowisku Spark Konfiguracja modelu POM dla środowiska Spark i biblioteki DL4J Diagnostyka systemów Spark i Hadoop Równoległe wykonywanie zadań DL4J w środowisku Spark Dobre praktyki stosowania interfejsu DL4J API w środowisku Spark Przykład kodu wielowarstwowego perceptronu dla środowiska Spark Generowanie szekspirowskich tekstów za pomocą sieci LSTM w środowisku Spark Modelowanie bazy MNIST za pomocą sieci CNN w środowisku Spark Dodatek A. Czym jest sztuczna inteligencja? Dotychczasowe dzieje Co dzisiaj stymuluje zainteresowanie sztuczną inteligencją? Nadchodzi kolejne zlodowacenie Dodatek B. Uczenie przez wzmacnianie Różne scenariusze Q-uczenie Biblioteka RL4J Dodatek C. Liczby, które każdy powinien znać Dodatek D. Sieci neuronowe i propagacja wsteczna — opis matematyczny Propagacja wsteczna w wielowarstwowym perceptronie Dodatek E. Interfejs API biblioteki ND4J Struktura biblioteki i podstawowe zastosowania Tworzenie wektorów wejściowych Klasa MLLibUtil Prognozowanie za pomocą biblioteki DL4J Dodatek F. Biblioteka DataVec Ładowanie danych do modeli uczenia maszynowego Ładowanie danych CSV do wielowarstwowego perceptronu Ładowanie obrazów do sieci CNN Ładowanie sekwencji danych do sieci RNN Przekształcanie danych za pomocą biblioteki DataVec Dodatek G. Kod źródłowy biblioteki DL4J Sprawdzenie, czy program Git jest zainstalowany Sklonowanie najważniejszych projektów DL4J Pobieranie pliku ZIP z kodem źródłowym Kompilacja kodu za pomocą narzędzia Maven Dodatek H. Konfigurowanie projektów DL4J Tworzenie nowego projektu DŁ4J Przygotowanie innych plików POM Dodatek I. Wykorzystanie procesorów GPU w projektach DL4J Przełączenie silnika biblioteki na procesor GPU Biblioteka CUDA dla różnych systemów Monitorowanie wydajności procesora GPU Dodatek J. Diagnostyka instalacji biblioteki DL4J Istniejąca instalacja Błędy pamięci podczas kompilacji kodu źródłowego Starsze wersje narzędzia Maven Narzędzie Maven i zmienna PATH Niewłaściwa wersja pakietu JDK C++ i narzędzia programistyczne System Windows i katalogi z dołączanymi plikami Monitorowanie procesorów GPU Narzędzie JVisualVM Język Clojure System macOS i liczby zmiennoprzecinkowe Błąd w platformie Fork/Join w Java 7 Różne platformy