Głębokie uczenie. Wprowadzenie Legnica

Opanuj podstawy uczenia maszynowego Od mniej więcej piętnastu lat jesteśmy świadkami rewolucji w nauczaniu maszynowym na niesamowitą skalę. Rewolucji tej sprzyja intensywny rozwój głębokich sieci neuronowych oraz niezbędnego do tego sprzętu obliczeniowego, takiego jak karty graficzne. "Deep learning", "machine learning" - te słowa klucze rozpalają wyobraźnię programistów, innowatorów i przedstawicieli przemysłu na całym świecie. Także studentów kierunków politechnicznych. Na świecie wydaje się sporo literatury poświęconej tym zagadnieniom, w Polsce niestety mamy pod tym względem deficyt. Niniejszy podręcznik, pomyślany jako wprowadzenie do tematu uczenia głębokiego, ma z założenia uzupełnić tę lukę. W związku z tym opracowany został w sposób umożliwiający zrozumienie zawartych w nim treści także osobom, które nie zetknęły się dotąd nawet z klasycznymi metodami nauczania maszynowego. Stąd sporo miejsca autorzy poświęcają podstawowym konceptom klastrowania, klasyfikacji oraz regresji. Druga połowa książki przybliża głębokie odpowiedniki modeli klasycznych - z naciskiem na objaśnienie podstawowych pojęć i ich intuicji. Ponieważ dla pełnego zrozumienia modeli niezbędne jest ich zaimplementowanie, integralną część książki stanowi kod, dostępny dla czytelnika na platformie GITHUB. Spis treści: Rozdział 1. Wstęp Rozdział 2. Wprowadzenie do uczenia maszynowego 2.1. Analiza modelu i funkcja kosztu 2.2. Minimalizacja funkcji kosztu Rozdział 3. Uczenie nienadzorowane 3.1. Klastrowanie: k­means 3.2. Redukcja wymiarowości: PCA 3.3. Estymacja gęstości Rozdział 4. Uczenie nadzorowane: regresja 4.1. Regresja liniowa 4.2. Zanurzenie 4.3. Ewaluacja modelu nadzorowanego Rozdział 5. Uczenie nadzorowane: klasyfikacja 5.1. Wprowadzenie do klasyfikacji 5.2. Klasyfiacja binarna: SVM 5.3. Klasyfikacja wieloklasowa: regresja logistyczna 5.4. Ocena modelu klasyfikacji 5.5. Klasyfikacja niezbalansowania 5.6. Konstrukcja funkcji kosztu w problemach regresyjnych Rozdział 6. Metody kernelowe 6.1. Wprowadzenie do metod kernelowych 6.2. Praktyczne użycie skernelizowanych metod 6.3. Porównywanie próbek i rozkładów: MMD Rozdział 7. Wprowadzenie do sieci neuronowych 7.1. Budowa sieci neuronowych 7.2. Klasyfiacja nieliniowa: spojrzenie geometryczne 7.3. Uczenie sieci neuronowej na przykładzie regresji 7.4. Teoria a praktyka w sieciach neuronowych Rozdział 8. Trenowanie sieci neuronowych 8.1. Problem klasyfikacyjny 8.2. Optymalizacja za pomocą metody spadku gradientu 8.3. Optymalizator Adam 8.4. Regularyzacja i augmentacje 8.5. Moja sieć neuronowa nie działa: poradnik Rozdział 9. Wprowadzenie do sieci konwolucyjnych 9.1. Przetwarzanie obrazów za pomocą sieci fully­connected 9.2. Filtry konwolucyjne 9.3. Sieci konwolucyjne Rozdział 10. Sieci konwolucyjne w praktyce 10.1. Początki sieci konwolucyjnych 10.2. Techniki regularyzacyjne 10.3. Połączenia rezydualne: ResNet 10.4. Wybrane architektury CNN 10.5. Finetuning: dostrajanie modelu do nowych zadań 10.6. Segmentacja obrazów: U­Net Rozdział 11. Głębokie modele nienadzorowane 11.1. Nienadzorowana reprezentacja danych 11.2. Modele generatywne: GANy 11.3. Estymacja gęstości: invertible normalizing flows Rozdział 12. Rekurencyjne sieci neuronowe 12.1. Wprowadzenie do danych sekwencyjnych 12.2. Rekurencja jako model autoregresywny 12.3. Sieci rekurencyjne (RNN) 12.4. Model Seq2Seq 12.5. Zaawansowane modele sieci rekurencyjnych Rozdział 13. Atencja 13.1. Wstęp 13.2. Mechanizm atencji 13.3. Atencja w modelu Seq2Seq 13.4. Self­attention 13.5. Self­attention GAN 13.6. Transformer jako rozwinięcie self­atencji Bibliografia