SOWA OPAC : Katalog komputerowy książek, czasopism i zbiorów specjalnych

2 wyniki

Książka

W koszyku

TensorFlow : 13 praktycznych projektów wykorzystujących uczenie maszynowe / Ankit Jain, Armando Fandango, Amita Kapoor ; przekład Leszek Sagalara. - Gliwice : Helion, copyright 2020. - 261 stron : ilustracje ; 24 cm.

Autor

Jain Ankit. Fandango Armando. Kapoor Amita. Sagalara Leszek.

Forma i typ

Książki Publikacje fachowe

Temat

TensorFlow (oprogramowanie) Uczenie maszynowe.

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: TensorFlow machine learning projects : build 13 real-world projects with advanced numerical computations using the Python ecosystem.

Na okładce logo wydawcy oryginału: Packt.

Książka przeznaczona jest dla osób, które chcą nauczyć się tworzyć całościowe rozwiązania z wykorzystaniem uczenia maszynowego.

Rozdział 1. TensorFlow i uczenie maszynowe 19 Czym jest TensorFlow? 20 Rdzeń TensorFlow 20 Tensory 20 Stałe 22 Operacje 23 Węzły zastępcze 23 Tensory z obiektów Pythona 24 Zmienne 26 Tensory generowane z funkcji bibliotecznych 28 Uzyskiwanie zmiennych za pomocą tf.get_variable() 28 Graf obliczeniowy 29 Kolejność wykonywania i wczytywanie z opóźnieniem 30 Wykonywanie grafów na wielu urządzeniach obliczeniowych - CPU i GPGPU 31 Wiele grafów 35 Uczenie maszynowe, klasyfikacja i regresja logistyczna 35 Uczenie maszynowe 35 Klasyfikacja 37 Regresja logistyczna dla klasyfikacji binarnej 38 Regresja logistyczna dla klasyfikacji wieloklasowej 38 Regresja logistyczna z TensorFlow 39 Regresja logistyczna z Keras 41 Kwestie do rozważenia 43 Materiały dodatkowe 43 Rozdział 2. Wykorzystanie uczenia maszynowego do wykrywania egzoplanet w przestrzeni kosmicznej 45 Czym jest drzewo decyzyjne? 46 Do czego potrzebne są nam zespoły? 47 Metody zespołowe oparte na drzewach decyzyjnych 47 Lasy losowe 47 Wzmacnianie gradientowe 49 Zespoły oparte na drzewach decyzyjnych w TensorFlow 51 Estymator TensorForest 51 Estymator wzmacnianych drzew TensorFlow 52 Wykrywanie egzoplanet w przestrzeni kosmicznej 52 Budowanie modelu TFBT do wykrywania egzoplanet 56 Kwestie do rozważenia 61 Materiały dodatkowe 61 Rozdział 3. Analiza wydźwięku w przeglądarce przy użyciu TensorFlow.js 63 TensorFlow.js 64 Optymalizacja Adam 65 Strata kategoryzacyjnej entropii krzyżowej 66 Osadzanie słów 67 Budowanie modelu analizy wydźwięku 68 Wstępne przetwarzanie danych 69 Budowanie modelu 70 Uruchamianie modelu w przeglądarce przy użyciu TensorFlow.js 71 Kwestie do rozważenia 75 Rozdział 4. Klasyfikacja cyfr przy użyciu TensorFlow Lite 77 Czym jest TensorFlow Lite? 78 Mierniki oceny modeli klasyfikacji 80 Klasyfikacja cyfr przy użyciu TensorFlow Lite 81 Wstępne przetwarzanie danych i definiowanie modelu 82 Konwersja modelu TensorFlow na TensorFlow Lite 84 Kwestie do rozważenia 91 Rozdział 5. Rozpoznawanie mowy i ekstrakcja tematów przy użyciu NLP 93 Platformy i narzędzia do zamiany mowy na tekst 94 Zbiór poleceń głosowych Google Speech Commands Dataset 95 Architektura sieci neuronowej 95 Moduł ekstrakcji cech 96 Moduł głębokiej sieci neuronowej 96 Szkolenie modelu 97 Kwestie do rozważenia 99 Materiały dodatkowe 100 Rozdział 6. Przewidywanie cen akcji przy użyciu regresji procesu gaussowskiego 101 Twierdzenie Bayesa 102 Wprowadzenie do wnioskowania bayesowskiego 103 Wprowadzenie do procesów gaussowskich 104 Wybór jądra w PG 106 Zastosowanie PG do prognozowania rynku akcji 107 Tworzenie modelu prognozowania kursu akcji 109 Zrozumienie uzyskanych wyników 112 Kwestie do rozważenia 122 Rozdział 7. Wykrywanie oszustw dotyczących kart kredytowych przy użyciu autokoderów 123 Autokodery 124 Budowanie modelu wykrywania oszustw finansowych 125 Definiowanie i szkolenie modelu wykrywania oszustw finansowych 126 Testowanie modelu wykrywania oszustw finansowych 128 Kwestie do rozważenia 134 Rozdział 8. Generowanie niepewności w klasyfikatorze znaków drogowych przy użyciu bayesowskich sieci neuronowych 135 Bayesowskie uczenie głębokie 136 Twierdzenie Bayesa w sieciach neuronowych 137 TensorFlow Probability, wnioskowanie wariacyjne i metoda Monte Carlo 138 Budowanie bayesowskiej sieci neuronowej 140 Definiowanie, szkolenie i testowanie modelu 142 Kwestie do rozważenia 152 Rozdział 9. Dopasowywanie torebek na podstawie zdjęć butów z wykorzystaniem sieci DiscoGAN 153 Modele generatywne 154 Szkolenie sieci GAN 155 Zastosowania 157 Wyzwania 157 Sieci DiscoGAN 158 Podstawowe jednostki sieci DiscoGAN 159 Modelowanie sieci DiscoGAN 162 Budowanie modelu DiscoGAN 163 Kwestie do rozważenia 169 Rozdział 10. Klasyfikowanie obrazów odzieży przy użyciu sieci kapsułowych 171 Znaczenie sieci kapsułowych 172 Kapsuły 173 Jak działają kapsuły? 173 Algorytm trasowania dynamicznego 175 Wykorzystanie architektury CapsNet do klasyfikowania obrazów ze zbioru Fashion MNIST 178 Implementacja architektury CapsNet 178 Szkolenie i testowanie modelu 182 Rekonstrukcja przykładowych obrazów 187 Ograniczenia sieci kapsułowych 189 Rozdział 11. Tworzenie wysokiej jakości rekomendacji produktów przy użyciu TensorFlow 191 Systemy rekomendacji 192 Filtrowanie oparte na treści 193 Zalety algorytmów filtrowania opartego na treści 193 Wady algorytmów filtrowania opartego na treści 193 Filtrowanie kolaboratywne 193 Systemy hybrydowe 194 Rozkład macierzy 194 Przedstawienie zbioru danych Retailrocket 195 Analiza zbioru danych Retailrocket 195 Wstępne przetwarzanie danych 196 Model rozkładu macierzy dla rekomendacji Retailrocket 197 Model sieci neuronowej dla rekomendacji Retailrocket 200 Kwestie do rozważenia 202 Materiały dodatkowe 202 Rozdział 12. Wykrywanie obiektów na dużą skalę za pomocą TensorFlow 203 Wprowadzenie do Apache Spark 204 Rozproszony TensorFlow 206 Uczenie głębokie poprzez rozproszony TensorFlow 207 Poznaj TensorFlowOnSpark 210 Architektura TensorFlowOnSpark 210 Szczegóły API TFoS 211 Rozpoznawanie odręcznie zapisanych cyfr przy użyciu TFoS 212 Wykrywanie obiektów za pomocą TensorFlowOnSpark i Sparkdl 215 Transfer wiedzy 215 Interfejs Sparkdl 216 Budowanie modelu wykrywania obiektów 217 Rozdział 13. Generowanie skryptów książek przy użyciu LSTM 223 Rekurencyjne sieci neuronowe 224 Wstępne przetwarzanie danych 225 Definiowanie modelu 227 Szkolenie modelu 228 Definiowanie i szkolenie modelu generującego tekst 228 Generowanie skryptów książek 233 Kwestie do rozważenia 236 Rozdział 14. Gra w Pac-Mana przy użyciu uczenia głębokiego przez wzmacnianie 237 Uczenie przez wzmacnianie 238 Uczenie przez wzmacnianie a uczenie nadzorowane i nienadzorowane 238 Składniki uczenia przez wzmacnianie 239 OpenAI Gym 240 Gra Pac-Man w OpenAI Gym 241 Sieć DQN w uczeniu głębokim przez wzmacnianie 244 Zastosowanie sieci DQN do gry 246 Materiały dodatkowe 250 Rozdział 15. Co dalej? 251 Wdrażanie modeli TensorFlow do produkcji 251 TensorFlow Hub 252 TensorFlow Serving 254 TensorFlow Extended 255 Zalecenia dotyczące budowania aplikacji wykorzystujących sztuczną inteligencję 257 Ograniczenia uczenia głębokiego 258 Zastosowania sztucznej inteligencji w różnych branżach 259 Względy etyczne w sztucznej inteligencji 260

Sygnatura czytelni BWEAiI: XII Ł 174

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. 149867 N (1 egz.)

Książka

W koszyku

Głębokie uczenie z TensorFlow : od regresji liniowej po uczenie przez wzmacnianie / Bharath Ramsundar, Reza Bosagh Zadeh ; [tłumaczenie Leszek Sagalara]. - Gliwice : Helion, copyright 2020. - 223, [1] strona : ilustracje ; 24 cm.

Autor

Ramsundar Bharath (informatyka). Sagalara Leszek. Bosagh Zadeh Reza.

Forma i typ

Książki Publikacje fachowe

Odbiorca

Programiści

Temat

TensorFlow (oprogramowanie) Deep learning Sieci neuronowe

Gatunek

Podręcznik

Dziedzina i ujęcie

Informatyka i technologie informacyjne

Tytuł oryginału: TensorFlow for deep learning

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

Indeks.

1. Wprowadzenie do uczenia głębokiego 11 Uczenie maszynowe pożera informatykę 11 Podstawowe elementy uczenia głębokiego 12 W pełni połączona warstwa 13 Warstwa splotowa 13 Warstwy rekurencyjnej sieci neuronowej 14 Komórki LSTM 15 Architektury uczenia głębokiego 15 LeNet 16 AlexNet 16 ResNet 17 Automatyczne generowanie opisów 18 Neuronowe tłumaczenie maszynowe firmy Google 18 Modele jednorazowe 19 AlfaGo 21 Generatywne sieci kontradyktoryjne 22 Neuronowe maszyny Turinga 23 Środowiska uczenia głębokiego 23 Ograniczenia TensorFlow 24 2. Wprowadzenie do podstawowych elementów TensorFlow 27 Poznajemy tensory 27 Skalary, wektory i macierze 28 Algebra macierzy 31 Tensory 33 Tensory w fizyce 34 Dygresje matematyczne 35 Proste obliczenia w TensorFlow 36 Instalacja TensorFlow i rozpoczęcie pracy 36 Inicjalizacja stałych tensorów 37 Próbkowanie losowych tensorów 38 Dodawanie i skalowanie tensorów 39 Operacje na macierzach 39 Typy tensorów 41 Manipulacje kształtem tensora 41 Wprowadzenie do rozgłaszania 42 Programowanie imperatywne i deklaratywne 43 Grafy TensorFlow 44 Sesje TensorFlow 45 Zmienne TensorFlow 45 3. Regresja liniowa i logistyczna z TensorFlow 49 Przegląd matematyczny 49 Funkcje i różniczkowalność 49 Funkcje straty 51 Metoda gradientu prostego 55 Systemy automatycznego różniczkowania 57 Uczenie z TensorFlow 59 Tworzenie ćwiczebnych zbiorów danych 59 Nowe koncepcje TensorFlow 64 Uczenie modeli liniowych i logistycznych w TensorFlow 68 Regresja liniowa w TensorFlow 68 Regresja logistyczna w TensorFlow 75 4. W pełni połączone sieci głębokie 81 Czym jest w pełni połączona sieć głęboka? 81 "Neurony" w sieciach w pełni połączonych 83 Uczenie w pełni połączonych sieci z propagacją wsteczną 85 Twierdzenie o uniwersalnej zbieżności 86 Dlaczego głębokie sieci? 87 Szkolenie w pełni połączonych sieci neuronowych 88 Reprezentacje możliwe do uczenia 88 Aktywacje 89 Zapamiętywanie w sieciach w pełni połączonych 89 Regularyzacja 90 Szkolenie sieci w pełni połączonych 93 Implementacja w TensorFlow 93 Instalacja DeepChem 93 Zbiór danych Tox21 94 Przyjmowanie minigrup węzłów zastępczych 95 Implementacja warstwy ukrytej 95 Dodawanie porzucania do warstwy ukrytej 96 Implementacja minigrup 97 Ocena dokładności modelu 97 Korzystanie z TensorBoard do śledzenia zbieżności modeli 98 5. Optymalizacja hiperparametrów 101 Ewaluacja modelu i optymalizacja hiperparametrów 102 Wskaźniki, wskaźniki, wskaźniki 103 Wskaźniki klasyfikacji binarnej 103 Wskaźniki klasyfikacji wieloklasowej 106 Wskaźniki regresji 107 Algorytmy optymalizacji hiperparametrów 108 Ustalenie linii bazowej 108 Metoda spadku studenta 110 Metoda przeszukiwania siatki 111 Losowe wyszukiwanie hiperparametrów 112 Zadanie dla czytelnika 113 6. Splotowe sieci neuronowe 115 Wprowadzenie do architektur splotowych 116 Lokalne pola recepcyjne 116 Jądra splotowe 118 Warstwy łączące 120 Tworzenie sieci splotowych 120 Rozszerzone warstwy splotowe 121 Zastosowania sieci splotowych 122 Wykrywanie i lokalizacja obiektów 122 Segmentacja obrazu 123 Sploty grafowe 123 Generowanie obrazów przy użyciu autokoderów wariacyjnych 124 Trenowanie sieci splotowej w TensorFlow 129 Zbiór danych MNIST 129 Wczytywanie zbioru MNIST 130 Podstawowe elementy sieci splotowych w TensorFlow 132 Architektura splotowa 134 Ewaluacja trenowanych modeli 137 7. Rekurencyjne sieci neuronowe 141 Przegląd architektur rekurencyjnych 142 Komórki rekurencyjne 144 Długa pamięć krótkoterminowa (LSTM) 144 Bramkowane jednostki rekurencyjne (GRU) 146 Zastosowania modeli rekurencyjnych 146 Generowanie danych przez sieci rekurencyjne 146 Modele seq2seq 147 Neuronowe maszyny Turinga 149 Praca z rekurencyjnymi sieciami neuronowymi w praktyce 150 Przetwarzanie korpusu językowego Penn Treebank 151 Kod przetwarzania wstępnego 152 Wczytywanie danych do TensorFlow 154 Podstawowa architektura rekurencyjna 155 Zadanie dla czytelnika 157 8. Uczenie przez wzmacnianie 159 Procesy decyzyjne Markowa 163 Algorytmy uczenia przez wzmacnianie 164 Q-uczenie 165 Uczenie się polityki 166 Szkolenie asynchroniczne 168 Ograniczenia uczenia przez wzmacnianie 168 Gra w kółko i krzyżyk 170 Obiektowość 170 Abstrakcyjne środowisko 171 Środowisko gry w kółko i krzyżyk 171 Abstrakcja warstwowa 174 Definiowanie grafu warstw 176 Algorytm A3C 180 Funkcja straty A3C 183 Definiowanie wątków roboczych 185 Trenowanie polityki 187 Zadanie dla czytelnika 188 9. Szkolenie dużych głębokich sieci 191 Specjalistyczny sprzęt dla głębokich sieci 191 Szkolenie z użyciem CPU 192 Szkolenie z użyciem GPU 193 Procesory tensorowe 194 Bezpośrednio programowalne macierze bramek 195 Układy neuromorficzne 196 Rozproszone szkolenie głębokich sieci 197 Równoległość danych 197 Równoległość modeli 198 Szkolenie na równoległych danych z użyciem wielu układów GPU na zbiorze CIFAR10 199 Pobieranie i wczytywanie danych 201 Głębokie zanurzenie w architekturę 202 Szkolenie na wielu układach GPU 204 Zadanie dla czytelnika 206 10. Przyszłość głębokiego uczenia 209 Głębokie uczenie poza branżą techniczną 209 Głębokie uczenie w przemyśle farmaceutycznym 210 Głębokie uczenie w prawie 211 Głębokie uczenie w robotyce 211 Głębokie uczenie w rolnictwie 212 Etyczne wykorzystanie głębokiego uczenia 212 Czy uniwersalna sztuczna inteligencja jest nieuchronna? 214

Sygnatura czytelni BWEAiI: XII E 116

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. 149942 N (1 egz.)