Deep Learning. Praktyczne wprowadzenie...

Más información sobre el libro

Uczenie głębokie fascynuje inżynierów i praktyków, mimo że systemy oparte na uczeniu maszynowym są wciąż postrzegane jako niepokojąca technologia. W przypadku sieci neuronowych nie zawsze wiadomo, czego dokładnie uczy się model, a jedynie można ocenić jego skuteczność. Warto zatem zgłębić fakty dotyczące uczenia maszynowego, a zwłaszcza głębokiego. Książka stanowi przystępny przewodnik, wymagający jedynie podstawowej umiejętności programowania i znajomości matematyki na poziomie szkoły średniej. Zawiera omówienie kluczowych pojęć i mechanizmów uczenia głębokiego. Dowiesz się, jak zbudować dobry zbiór danych uczących, ocenić skuteczność modelu oraz korzystać z modeli takich jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Znajdziesz także szczegółowe informacje na temat sieci neuronowych, ich działania oraz technik treningu. Choć nie ma gotowych receptur, zdobędziesz wiedzę potrzebną do zaprojektowania działającego modelu uczenia głębokiego. Książka obejmuje m.in. budowanie zestawów danych, pracę z bibliotekami scikit-learn i Keras, klasyczne modele uczenia maszynowego oraz przygotowanie pierwszego modelu.