ДМК-Пресс Глубокое обучение с точки зрения практика Паттерсон Джош, Гибсон Адам

Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Поскольку компьютер приобретает знания из опыта, отпадает нужда в человеке-операторе, который формально описывает необходимые компьютеру знания. Иерархическая организация позволяет компьютеру обучаться сложным концепциям, конструируя их из более простых; граф такой иерархии может содержать много уровней. В этой книге читатель найдет широкий обзор тем, изучаемых в глубоком обучении • Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей, и др

Глубокое обучение добилось впечатляющих успехов во многих отраслях. Сейчас оно все глубже проникает в прикладные научные исследования, в частности в биологию и смежные дисциплины. Эта книга рассказывает о применении глубокого обучения в геномике, химии, биофизике, микроскопии, медицине и других направлениях современных исследований всего, что связано с живыми организмами • Представленные в книге стандартные архитектуры глубоких сетей идеально подходят для программистов-разработчиков и ученых, работающих над созданием новых лекарств или ведущих исследования в области биологии и генетики. Книга содержит множество практических примеров, включая полный цикл поиска нового лекарства – одну из самых сложных научно-прикладных задач на стыке физики, химии, биологии и медицины

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас • Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи глубокого обучения и нейронных сетей • Второй том посвящен нейронным сетях – быстро развивающемуся направлению машинного обучения. В первом томе, вышедшем в издательстве «ДМК Пресс» ранее, изложены фундаментальные основы глубокого обучения

Перед вами второе, расширенное в 1.5 раза издание бестселлера от автора библиотеки Keras • Умение работать с моделями глубокого обучения стало важным навыком современных ученых, исследователей и программистов. API языка R для Keras и TensorFlow делает глубокое обучение доступным для всех пользователей R, даже если у них нет опыта работы с машинным обучением или нейронными сетями • Интуитивно понятные объяснения, четкие иллюстрации и наглядные примеры помогут вам освоить основные навыки глубокого обучения с помощью R, такие как компьютерное зрение, обработка естественного языка, работа с текстом, и даже изучить передовую архитектуру Transformer • Для читателей со средними навыками программирования на R. Опыт работы с Keras, TensorFlow или моделями глубокого обучения не требуется

Древняя стратегическая игра го представляет собой отличный пример для демонстрации возможностей искусственного интеллекта. В 2016 году система, основанная на принципах глубокого обучения, потрясла мир го, победив одного из чемпионов. Вскоре после этого модернизированный алгоритм AlphaGo Zero сокрушил оригинальную версию бота благодаря использованию при освоении игры методов глубокого обучения с подкреплением. Теперь и вы можете освоить те же самые методы глубокого обучения, создав собственный бот для игры в го! • В данной книге вы познакомитесь с методами глубокого обучения и научитесь создавать го-ботов. По мере чтения вы будете применять все более сложные методы и стратегии обучения, используя библиотеку глубокого обучения Keras, написанную на языке Python

Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи и фундаментальные основы глубокого обучения и нейронных сетей • Издание предназначено для всех читателей, кто хочет использовать глубокое обучение в своей работе. Это программисты, инженеры, ученые, руководители, музыканты, врачи и все, кто хочет работать с большими объемами данных, извлекая из них полезную информацию или формируя новые данные

В книге рассказывается о том, как использовать глубокие нейронные сети для создания эффективных поисковых систем. Рассматривается несколько компонентов поисковой системы, дается представление о том, как они работают, и приводятся рекомендации по использованию нейронных сетей в разных контекстах поиска. Особое внимание уделено практическому объяснению методов поиска и глубокого машинного обучения на базе примеров, большинство которых включает фрагменты кода • Автор освещает основные проблемы, связанные с поисковыми системами, и указывает пути решения этих проблем. Он раскрывает принципы тестирования эффективности нейронных сетей, а также измерения их затрат и выгод • Издание предназначено для читателей, владеющих программированием на среднем уровне и отлаживающих поисковые системы с целью повышения их эффективности, то есть выдачи наиболее релевантных результатов

Все, что должен знать разработчик-практик, чтобы приступить к применению глубокого обучения для решения реальных задач! • Интерес к машинному обучению зашкаливает, но завышенные ожидания нередко губят проекты еще на ранней стадии. Как машинное обучение - и особенно глубокие нейронные сети - может изменить вашу организацию? • Эта книга не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения • Авторы сначала раскрывают фундаментальные вопросы глубокого обучения - настройка, распараллеливание, векторизация, конвейеры операций - актуальные для любой библиотеки, а затем переходят к библиотеке Deeplearning4j (DL4J), предназначенной для разработки технологических процессов профессионального уровня

Н20 - простая в использовании и открытая библиотека, которая поддерживает большое количество операционных систем и языков программирования, а также масштабируется для обработки больших данных. Эта книга научит вас использовать алгоритмы машинного обучения, реализованные в Н2О, с упором на наиболее важные для продуктивной работы аспекты. Рассмотрены глубокое обучение, случайный лес, обучение на неразмеченных данных и ансамбли моделей • В российское издание добавлены дополнительно два приложения, описывающих новейшие модули Н2О - Deep Water и Stacked Ensemble • Издание предназначено для специалистов по анализу данных, желающих изучить и применять на практике относительно новый, но многообещающий инструмент - библиотеку Н2О

Книга продолжает серию публикаций, посвящённых решению инженерных задач в среде SOLIDWORKS Simulation, включающей инструменты для анализа прочности – собственно Simulation; гидрогазодинамики и теплопередачи – Flow Simulation; кинематики и динамики механизмов – Motion. Материал основан на практическом опыте автора. Каждая глава посвящена отдельному объекту, представляющему определённый класс конструкций и обладающему методической ценностью. Изложение начинается с постановки задачи, затем следует анализ с точки зрения пригодности имеющихся инструментов. Подробно описаны построение расчётной модели в рамках реального технического задания, вычислительный процесс, получение результатов, их анализ и интерпретация • Издание в первую очередь будет полезно инженерам, которым требуется понимание объектов через моделирование процессов, происходящих в них и вокруг них

Книга посвящена разработкам искусственного интеллекта в части компьютерного зрения и объединяет подходы, позволяющие рассмотреть эту тему на пересечении биологии и математического моделирования. В первой части книги рассматриваются биологические основы зрения: читатель знакомится с различными аспектами зрительного восприятия и узнает, какие структуры нейронов его обеспечивают, какие процессы происходят в мозге при распознавании образов. Во второй части представлены различные структуры математических моделей - нейронных сетей, и принципы их работы. Затрагиваются, в частности, глубокие сверточные нейронные сети, машинное обучение и генеративные состязательные сети. Последняя глава посвящена исследованию самого феномена сознания. Издание рассчитано на широкую аудиторию, интересующуюся искусственным интеллектом и компьютерным зрением, в частности тем, как машины учат видеть и интерпретировать визуальный мир

Приложения машинного обучения демонстрируют лучшую эффективность при наличии обратной связи с человеком. Привлечение к работе подходящих сотрудников повышает точность моделей, уменьшает количество ошибок в данных, сокращает расходы и помогает ускорить выпуск моделей • В книге изложены методики эффективной совместной работы людей и машин. Здесь вы найдете лучшие практики по выбору образцов данных для обратной связи с человеком, контролю качества аннотаций человека и разработке интерфейсов аннотаций • Вы научитесь создавать обучающие данные для маркировки, распознавания объектов, семантической сегментации, маркировки последовательностей и многого другого. Книга начинается с основ и переходит к продвинутым методам, таким как обучение переноса и самоконтроль в рабочих процессах аннотирования