Rozdział 1. Wprowadzenie do uczenia maszynowego (ML) na Raspberry Pi (RasPi) Wprowadzenie do RasPi Zapisywanie obrazu systemu Raspbian na kartę micro SD Aktualizowanie i uaktualnianie dystrybucji systemu Raspbian Fakty dotyczące uczenia maszynowego Rozdział 2. Badanie modelu danych uczenia maszynowego: część 1 Instalacja OpenCV 4 Pobieranie kodu źródłowego OpenCV 4 Kompilacja oprogramowania OpenCV Biblioteka wizualizacji danych Seaborn Ważna podstawowa zasada Naiwny klasyfikator Bayesa Model k najbliższych sąsiadów (kNN) Demonstracja kNN Klasyfikator drzewa decyzyjnego Algorytm drzewa decyzyjnego Demonstracja klasyfikatora drzewa decyzyjnego w scikit-learn Rozdział 3. Badanie modeli danych uczenia maszynowego: część 2 Analiza głównych składowych Opis skryptu PCA Liniowa analiza dyskryminacyjna Opis skryptu LDA Maszyny wektorów nośnych Demonstracja SVM - część 1 Demonstracja SVM - część 2 Kwantyzacja wektorów uczących Podstawowe koncepcje LVQ Demonstracja LVQ Bagging i lasy losowe Wprowadzenie do algorytmów bagging i lasów losowych Demonstracja ponownego próbkowania metodą bootstrap Demonstracja algorytmu bagging Demonstracja lasu losowego Rozdział 4. Przygotowanie do uczenia głębokiego Podstawy uczenia głębokiego Uczenie maszynowe na podstawie wzorców danych Funkcje straty Algorytm optymalizatora Sztuczna sieć neuronowa Uczenie i działanie sztucznych sieci neuronowych Praktyczny przykład modyfikacji wag sieci neuronowej Demonstracja sieci neuronowej w Pythonie - część 1 Demonstracja sieci neuronowej w Pythonie - część 2 Rozdział 5. Praktyczne demonstracje uczenia głębokiego sztucznych sieci neuronowych Lista części Demonstracja rozpoznawania odręcznie pisanych cyfr Szczegóły historii i przygotowania projektu Dostosowywanie wejściowych zbiorów danych Interpretacja wartości danych wyjściowych sieci ANN Tworzenie sieci do rozpoznawania odręcznie napisanych cyfr Demonstracja początkowego skryptu uczącego sieci neuronowej Demonstracja skryptu testującego sieć neuronową Demonstracja skryptu testowego sieci neuronowej z wykorzystaniem pełnego zbioru testowego Rozpoznawanie samodzielnie napisanych cyfr Rozpoznawanie cyfr napisanych odręcznie przy użyciu biblioteki Keras Wprowadzenie do biblioteki Keras Instalacja biblioteki Keras Pobieranie zbioru danych i tworzenie modelu Rozdział 6. Demonstracje konwolucyjnych sieci neuronowych Wprowadzenie do modelu CNN Historia i ewolucja sieci CNN Demonstracja rozpoznawania odzieży ze zbioru MNIST Bardziej złożona demonstracja rozpoznawania odzieży ze zbioru MNIST Demonstracja modelu VGG do rozpoznawania odzieży ze zbioru MNIST Demonstracja rozpoznawania odzieży ze zbioru MNIST według Jasona Rozdział 7. Prognozowanie przy użyciu zwykłych i konwolucyjnych sieci neuronowych Demonstracja dotycząca cukrzycy w plemieniu Indian Pima Tło badania cukrzycy w plemieniu Indian Pima Przygotowywanie danych Użycie biblioteki scikit-learn z Keras Optymalizowanie hiperparametrów przy użyciu Keras i scikit-learn Demonstracja predyktora regresji cen nieruchomości Wstępne przetwarzanie danych Model bazowy Poprawiony model bazowy Inny poprawiony model bazowy Predykcje przy użyciu sieci CNN Model CNN szeregu czasowego jednej zmiennej Rozdział 8. Prognozowanie przy użyciu modeli CNN i MLP w badaniach medycznych 395 Lista części Pobieranie zbioru danych obrazów histologicznych raka piersi Przygotowanie środowiska projektowego Użycie modelu MLP do prognozowania raka piersi Rozdział 9. Uczenie przez wzmacnianie Proces decyzyjny Markowa Zdyskontowana przyszła nagroda Uczenie metodą Q-learning CHearning i sieci neuronowe