SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

1 wynik

Książka

W koszyku

Autor

Osinga Douwe. Rajca Piotr (1970- ).

Forma i typ

Książki Publikacje dydaktyczne Publikacje fachowe

Odbiorca

Programiści

Temat

Uczenie maszynowe. Przetwarzanie danych Deep learning Sieci neuronowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: Deep Learning Cookbook : Practical Recipies to Get Started Quickly.

Na stronie tytułowej również informacje o miejscach wydania i wydawcy oryginału - O'Reilly.

Na książce także ISBN oryginału: 9781491995846

Indeks.

1. Narzędzia i techniki 15 1.1. Typy sieci neuronowych 15 1.2. Pozyskiwanie danych 25 1.3. Wstępne przetwarzanie danych 31 2. Aby ruszyć z miejsca 39 2.1. Jak stwierdzić, że utknęliśmy? 39 2.2. Poprawianie błędów czasu wykonania 40 2.3. Sprawdzanie wyników pośrednich 42 2.4. Wybór odpowiedniej funkcji aktywacji (w warstwie wyjściowej) 43 2.5. Regularyzacja i porzucanie 45 2.6. Struktura sieci, wielkość wsadów i tempo uczenia 46 3. Obliczanie podobieństwa słów przy użyciu wektorów właściwościowych 49 3.1. Stosowanie nauczonych modeli wektorów właściwościowych do określania podobieństw między wyrazami 50 3.2. Operacje matematyczne z użyciem Word2vec 52 3.3. Wizualizacja wektorów właściwościowych 54 3.4. Znajdowanie klas obiektów z wykorzystaniem wektorów właściwościowych 55 3.5. Obliczanie odległości semantycznych w klasach 59 3.6. Wizualizacja danych kraju na mapie 60 4. Tworzenie systemu rekomendacji na podstawie odnośników wychodzących z Wikipedii 63 4.1. Pozyskiwanie danych 63 4.2. Uczenie wektorów właściwościowych filmów 67 4.3. Tworzenie systemu rekomendacji filmów 70 4.4. Prognozowanie prostych właściwości filmu 71 5. Generowanie tekstu wzorowanego na przykładach 73 5.1. Pobieranie ogólnie dostępnych tekstów 73 5.2. Generowanie tekstów przypominających dzieła Szekspira 74 5.3. Pisanie kodu z wykorzystaniem rekurencyjnej sieci neuronowej 77 5.4. Kontrolowanie temperatury wyników 79 5.5. Wizualizacja aktywacji rekurencyjnych sieci neuronowych 81 6. Dopasowywanie pytań 83 6.1. Pobieranie danych ze Stack Exchange 83 6.2. Badanie danych przy użyciu biblioteki Pandas 85 6.3. Stosowanie Keras do określania cech tekstu 86 6.4. Tworzenie modelu pytanie - odpowiedź 87 6.5. Uczenie modelu z użyciem Pandas 88 6.6. Sprawdzanie podobieństw 90 7. Sugerowanie emoji 93 7.1. Tworzenie prostego klasyfikatora nastawienia 93 7.2. Badanie prostego klasyfikatora 96 7.3. Stosowanie sieci konwolucyjnych do analizy nastawienia 97 7.4. Gromadzenie danych z Twittera 99 7.5. Prosty mechanizm prognozowania emoji 100 7.6. Porzucanie i wiele okien 102 7.7. Tworzenie modelu operującego na słowach 103 7.8. Tworzenie własnych wektorów właściwościowych 105 7.9. Stosowanie rekurencyjnych sieci neuronowych do klasyfikacji 107 7.10. Wizualizacja (nie)zgody 108 7.11. Łączenie modeli 111 8. Odwzorowywanie sekwencji na sekwencje 113 8.1. Uczenie prostego modelu typu sekwencja na sekwencję 113 8.2. Wyodrębnianie dialogów z tekstów 115 8.3. Obsługa otwartego słownika 116 8.4. Uczenie chatbota z użyciem frameworka seq2seq 118 9. Stosowanie nauczonej już sieci do rozpoznawania obrazów 123 9.1. Wczytywanie nauczonej sieci neuronowej 124 9.2. Wstępne przetwarzanie obrazów 124 9.3. Przeprowadzanie wnioskowania na obrazach 126 9.4. Stosowanie API serwisu Flickr do gromadzenia zdjęć z etykietami 127 9.5. Tworzenie klasyfikatora, który potrafi odróżniać koty od psów 128 9.6. Poprawianie wyników wyszukiwania 130 9.7. Ponowne uczenie sieci rozpoznającej obrazy 132 10. Tworzenie usługi odwrotnego wyszukiwania obrazów 135 10.1. Pozyskiwanie obrazów z Wikipedii 135 10.2. Rzutowanie obrazów na przestrzeń n-wymiarową 138 10.3. Znajdowanie najbliższych sąsiadów w przestrzeni n-wymiarowej 139 10.4. Badanie lokalnych sąsiedztw w wektorach właściwościowych 140 11. Wykrywanie wielu obrazów 143 11.1. Wykrywanie wielu obrazów przy użyciu nauczonego klasyfikatora 143 11.2. Stosowanie sieci Faster R-CNN do wykrywania obrazów 147 11.3. Stosowanie Faster R-CNN na własnych obrazach 149 12. Styl obrazu 153 12.1. Wizualizacja aktywacji sieci CNN 153 12.2. Oktawy i skalowanie 157 12.3. Wizualizacja tego, co sieć neuronowa prawie widzi 158 12.4. Jak uchwycić styl obrazu? 161 12.5. Poprawianie funkcji straty w celu zwiększenia koherencji obrazu 164 12.6. Przenoszenie stylu na inny obraz 166 12.7. Interpolacja stylu 167 13. Generowanie obrazów przy użyciu autoenkoderów 169 13.1. Importowanie rysunków ze zbioru Google Quick Draw 170 13.2. Tworzenie autoenkodera dla obrazów 171 13.3. Wizualizacja wyników autoenkodera 173 13.4. Próbkowanie obrazów z właściwego rozkładu 175 13.5. Wizualizacja przestrzeni autoenkodera wariacyjnego 178 13.6. Warunkowe autoenkodery wariacyjne 179 14. Generowanie ikon przy użyciu głębokich sieci neuronowych 183 14.1. Zdobywanie ikon do uczenia sieci 184 14.2. Konwertowanie ikon na tensory 186 14.3. Stosowanie autoenkodera wariacyjnego do generowania ikon 187 14.4. Stosowanie techniki rozszerzania danych do poprawy wydajności autoenkodera 190 14.5. Tworzenie sieci GAN 191 14.6. Uczenie sieci GAN 193 14.7. Pokazywanie ikon generowanych przez sieć GAN 194 14.8. Kodowanie ikon jako instrukcji rysowniczych 196 14.9. Uczenie sieci rekurencyjnych rysowania ikon 197 14.10. Generowanie ikon przy użyciu sieci rekurencyjnych 199 15. Muzyka a uczenie głębokie 201 15.1. Tworzenie zbioru uczącego na potrzeby klasyfikowania muzyki 202 15.2. Uczenie detektora gatunków muzyki 204 15.3. Wizualizacja pomyłek 206 15.4. Indeksowanie istniejącej muzyki 207 15.5. Konfiguracja API dostępu do serwisu Spotify 209 15.6. Zbieranie list odtwarzania i utworów ze Spotify 210 15.7. Uczenie systemu sugerowania muzyki 213 15.8. Sugerowanie muzyki przy wykorzystaniu modelu Word2vec 214 16. Przygotowywanie systemów uczenia maszynowego do zastosowań produkcyjnych 217 16.1. Użycie algorytmu najbliższych sąsiadów scikit-learn do obsługi wektorów właściwościowych 218 16.2. Stosowanie Postgresa do przechowywania wektorów właściwościowych 219 16.3. Zapisywanie i przeszukiwanie wektorów właściwościowych przechowywanych w bazie Postgres 220 16.4. Przechowywanie modeli wysokowymiarowych w Postgresie 221 16.5. Pisanie mikroserwisów w języku Python 222 16.6. Wdrażanie modelu Keras z użyciem mikroserwisu 224 16.7. Wywoływanie mikroserwisu z poziomu frameworka internetowego 225 16.8. Modele seq2seq TensorFlow 226 16.9. Uruchamianie modeli uczenia głębokiego w przeglądarkach 227 16.10. Wykonywanie modeli Keras przy użyciu serwera TensorFlow 230 16.11. Stosowanie modeli Keras z poziomu iOS-a 232

Sygnatura czytelni BWEAiI: XII Ł 163

dostępna w czytelni

1 placówka posiada w zbiorach tę pozycję. Rozwiń informację, by zobaczyć szczegóły.

Biblioteka WEAiI

Egzemplarze są dostępne wyłącznie na miejscu w bibliotece: sygn. 148497 N (1 egz.)