названиеавтор

Менеджмент.Книги: телеграм-канал для управлінців
Підписуйтесь на Менеджмент.Книги

сучасні бізнес-концепції, проривні ідеї, авторські тези
та цінні інсайти — не часто, виважено, по суті

КНИГИ :: Информационные технологии (ИТ) ::

Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения

Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения

КУПИТЬ КНИГУ - Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения


КУПИТЬ КНИГУ «Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения» в Kniga.biz.ua (за гривни)

КУПИТЬ КНИГУ «Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения» в Knigoobmen (за гривни)




Примечание: относительно приобретения книг просим обращаться в соответствующие интернет-магазины либо издательства.
Название: Основы глубокого обучения. Создание алгоритмов для искусственного интеллекта следующего поколения
Автор(ы): Нихиль Будума, Николас Локашо
Издательство: "Манн, Иванов и Фербер", — 2020

Описание:
Оригинал (англ.): "Fundamentals of Deep Learning: Designing Next-Generation Machine Intelligence Algorithms" by Nikhil Buduma, Nicholas Locascio

Глубокое обучение — машинное обучение, которое строится на идее обучения через примеры. Эта книга разбирает основные идеи этой сложной отрасли изучения искусственного интеллекта. Авторы ставят цель сформировать целостное представление о том, как решаются задачи в области глубокого обучения, какие понятия используются в этой среде и как внедрять соответствующие алгоритмы.

С оживлением нейросетей в 2000-е годы глубокое обучение стало чрезвычайно активно развивающейся областью исследования, прокладывающей путь современному машинному обучению. Эта книга предлагает примеры и толкования, которые помогут понять основные идеи в этой сложной отрасли знаний. Такие крупные компании, как Google, Microsoft и Facebook, обратили внимание на глубокое обучение и активно увеличивают штат своих подразделений, работающих в этой области. Для всех остальных оно остается все еще сложным, комплексным и трудноуловимым предметом. Исследования переполнены непонятным жаргоном, а разрозненные учебники, имеющиеся в сети, не дают должного представления о том, как решаются задачи в этой области. Цель этой книги — заполнить данный пробел.

Целевая аудитория:

Для всех, кто интересуется или занимается глубоким обучением.


ЦИТАТЫ ˅

Глубокое обучение

Создание машин с искусственным интеллектом требует решения сложнейших вычислительных задач в истории, которые, однако, наш мозг способен раскусить в доли секунды. Для этого нужно разработать иной способ программирования компьютеров при помощи методов, которые появились в основном в последние 10 лет.

Сложность моделей

Одна из главных проблем искусственных нейросетей — чрезвычайная сложность моделей. Рассмотрим сеть, которая получает данные от изображения 28x28 пикселов, передает их в два скрытых слоя по 30 нейронов, а затем в слой с мягким максимумом из 10 нейронов. Общее число ее параметров составляет около 25 тысяч.

Муравей

Представьте себе, что вы — муравей, живущий в континентальной части США. Вас выбросили где-то в случайном месте, и ваша задача — найти самую низкую точку на этой поверхности. Как это сделать?

Математика

Для математически подкованных читателей подробнее расскажем о том, как гессиан ограничивает оптимизацию только с помощью градиентного спуска. Определенные свойства матрицы Гессе (реальность и симметричность) позволяют успешно определить вторую производную (которая аппроксимирует кривизну поверхности) при движении в определенном направлении.

Локальная инвариантность

Локальная инвариантность — очень полезное свойство, если нас больше интересует то, есть ли вообще данный признак, а не то, где именно он находится. Но в больших объемах она может повредить способности нашей сети переносить важную информацию.

РНС

В период оптимальной работы модель демонстрирует эффективные результаты и показывает на тестовом наборе данных аккуратность примерно 86%. Поздравляем! Вы создали свою первую рекуррентную нейронную сеть.


Об авторе:

Нихиль Будума (Nikhil Buduma) исследует машинное обучение в MIT. Он золотой медалист нескольких международных олимпиад по биологии.


СОДЕРЖАНИЕ ˅
  • Предисловие

  • Глава 1. Нейросеть
    • Создание умных машин
    • Ограничения традиционных компьютерных программ
    • Механика машинного обучения
    • Нейрон
    • Выражение линейных персептронов в виде нейронов
    • Нейросети с прямым распространением сигнала
    • Линейные нейроны и их ограничения
    • Нейроны с сигмоидой, гиперболическим тангенсом и усеченные линейные
    • Выходные слои с функцией мягкого максимума
    • Резюме

  • Глава 2. Обучение нейросетей с прямым распространением сигнала
    • Проблема фастфуда
    • Градиентный спуск
    • Дельта-правило и темп обучения
    • Градиентный спуск с сигмоидными нейронами
    • Алгоритм обратного распространения ошибок
    • Стохастический и мини-пакетный градиентный спуск
    • Переобучение и наборы данных для тестирования и проверки
    • Борьба с переобучением в глубоких нейросетях
    • Резюме

  • Глава 3. Нейросети в TensorFlow
    • Что такое TensorFlow?
    • Сравнение TensorFlow с альтернативами
    • Установка TensorFlow
    • Создание переменных TensorFlow и работа с ними
    • Операции в TensorFlow
    • Тензоры-заполнители
    • Сессии в TensorFlow
    • Области видимости переменной и совместное использование переменных
    • Управление моделями на CPU и GPU
    • Создание модели логистической регрессии в TensorFlow
    • Журналирование и обучение модели логистической регрессии
    • Применение TensorBoard для визуализации вычислительного графа и обучения
    • Создание многослойной модели для MNIST в TensorFlow
    • Резюме

  • Глава 4. Не только градиентный спуск
    • Проблемы с градиентным спуском
    • Локальные минимумы на поверхности ошибок глубоких сетей
    • Определимость модели
    • Насколько неприятны сомнительные локальные минимумы в нейросетях?
    • Плоские области на поверхности ошибок
    • Когда градиент указывает в неверном направлении
    • Импульсная оптимизация
    • Краткий обзор методов второго порядка
    • Адаптация темпа обучения
    • AdaGrad — суммирование исторических градиентов
    • RMSProp — экспоненциально взвешенное скользящее среднее градиентов
    • Adam — сочетание импульсного метода с RMSProp
    • Философия при выборе метода оптимизации
    • Резюме

  • Глава 5. Сверточные нейросети
    • Нейроны и зрение человека
    • Недостатки выбора признаков
    • Обычные глубокие нейросети не масштабируются
    • Фильтры и карты признаков
    • Полное описание сверточного слоя
    • Max Pooling (операция подвыборки)
    • Полное архитектурное описание сверточных нейросетей
    • Работа с MNIST с помощью сверточных сетей
    • Предварительная обработка изображений улучшает работу моделей
    • Ускорение обучения с помощью пакетной нормализации
    • Создание сверточной сети для CIFAR-10
    • Визуализация обучения в сверточных сетях
    • Применение сверточных фильтров для воссоздания художественных стилей
    • Обучаем сверточные фильтры в других областях
    • Резюме

  • Глава 6. Плотные векторные представления и обучение представлений
    • Обучение представлений в пространстве низкой размерности
    • Метод главных компонент
    • Мотивация для архитектуры автокодера
    • Реализация автокодера в TensorFlow
    • Шумопонижение для повышения эффективности плотных векторных представлений
    • Разреженность в автокодерах
    • Когда контекст информативнее, чем входной вектор данных
    • Технология Word2Vec
    • Реализация архитектуры Skip-Gram
    • Резюме

  • Глава 7. Модели анализа последовательностей
    • Анализ данных переменной длины
    • seq2seq и нейронные N-граммные модели
    • Реализация разметки частей речи
    • Определение зависимостей и SyntaxNet
    • Лучевой поиск и глобальная нормализация
    • Когда нужна модель глубокого обучения с сохранением состояния
    • Рекуррентные нейронные сети
    • Проблема исчезающего градиента
    • Нейроны долгой краткосрочной памяти (long short-term memory, LSTM)
    • Примитивы TensorFlow для моделей РНС
    • Реализация модели анализа эмоциональной окраски
    • Решение задач класса seq2seq при помощи рекуррентных нейронных сетей
    • Дополнение рекуррентных сетей вниманием
    • Разбор нейронной сети для перевода
    • Резюме

  • Глава 8. Нейронные сети с дополнительной памятью
    • Нейронные машины Тьюринга
    • Доступ к памяти на основе внимания
    • Механизмы адресации памяти в NTM
    • Дифференцируемый нейронный компьютер
    • Запись без помех в DNC
    • Повторное использование памяти в DNC
    • Временное связывание записей DNC
    • Понимание головки чтения DNC
    • Сеть контроллера DNC
    • Визуализация работы DNC
    • Реализация DNC в TensorFlow
    • Обучение DNC чтению и пониманию
    • Резюме

  • Глава 9. Глубокое обучение с подкреплением
    • Глубокое обучение с подкреплением и игры Atari
    • Что такое обучение с подкреплением?
    • Марковские процессы принятия решений (MDP)
    • Исследование и использование
    • Изучение стратегии и ценности
    • Тележка с шестом и градиенты по стратегиям
    • Q-обучение и глубокие Q-сети
    • Улучшение и выход за пределы DQN
    • Резюме

  • Примечания
  • Благодарности
  • Несколько слов об обложке
  • Об авторе

НОВЫЕ КНИГИ ПО ТЕМЕ:ПОПУЛЯРНЫЕ КНИГИ ПО ТЕМЕ:



МЕТОДОЛОГИЯ: Стратегия, Маркетинг, Изменения, Финансы, Персонал, Качество, ИТ
АКТУАЛЬНО: Новости, События, Тренды, Инсайты, Интервью, Бизнес-обучение, Рецензии, Консалтинг
СЕРВИСЫ: Бизнес-книги, Работа, Форумы, Глоссарий, Цитаты, Рейтинги, Статьи партнеров
ПРОЕКТЫ: Блог, Видео, Визия, Визионеры, Бизнес-проза, Бизнес-юмор

Страница Management.com.ua в Facebook    Менеджмент.Книги: телеграм-канал для управленцев    Management Digest в LinkedIn    Отслеживать нас в Twitter    Подписться на RSS    Почтовая рассылка


Copyright © 2001-2024, Management.com.ua