Matematyka w deep learningu. Co musisz wiedzieć... Piotrków Trybunalski

Uczenie maszynowe niesie ze sobą obietnicę niezwykłych wynalazków: od samochodów autonomicznych po systemy medyczne diagnozujące choroby lepiej niż doświadczeni lekarze, ale także daje pole do rozwijania dziesiątków innych mniej lub bardziej niepokojących innowacji. Dziś do budowania systemów uczenia maszynowego można posłużyć się wygodnymi frameworkami, jednak rzeczywiste zrozumienie uczenia głębokiego wymaga znajomości kilku koncepcji matematycznych. Koncepcje te zostały przystępnie wyjaśnione właśnie w tej książce. W szczególności zapoznasz się z praktycznymi aspektami probabilistyki, statystyki, algebry liniowej i rachunku różniczkowego. Prezentacji tych zagadnień towarzyszą fragmenty kodu w Pythonie i praktyczne przykłady zastosowań w uczeniu głębokim. Rozpoczniesz od zapoznania się z podstawami, takimi jak twierdzenie Bayesa, a następnie przejdziesz do bardziej zaawansowanych zagadnień, w tym uczenia sieci neuronowych przy użyciu wektorów, macierzy i pochodnych. Dwa ostatnie rozdziały dadzą Ci szansę użycia nowej wiedzy do zaimplementowania propagacji wstecznej i metody gradientu prostego - dwóch podstawowych algorytmów napędzających rozwój sztucznej inteligencji. W książce między innymi: zastosowanie statystyki do zrozumienia danych i oceny modeli prawidłowe korzystanie z reguł prawdopodobieństwa użycie wektorów i macierzy do przesyłania danych w sieciach neuronowych algebra liniowa w analizie głównych składowych i rozkładu według wartości osobliwych gradientowe metody optymalizacji, takie jak RMSprop, Adagrad i Adadelta Chcesz zrozumieć sieci neuronowe? Odpowiedzi szukaj w matematyce! Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe Ta książka to klucz do zrozumienia matematycznych fundamentów uczenia maszynowego i głębokiego. Autor, Ronald T. Kneusel, w przystępny sposób wprowadza czytelników w świat koncepcji matematycznych, które są niezbędne do efektywnego korzystania z nowoczesnych technologii, takich jak sieci neuronowe. Dla kogo jest ta książka? Studenci i absolwenci kierunków informatycznych Osoby pracujące w dziedzinie sztucznej inteligencji i uczenia maszynowego Programiści pragnący zrozumieć matematyczne podstawy deep learningu Pasjonaci technologii i innowacji w obszarze AI Co zyskasz dzięki tej publikacji? Praktyczna wiedza: Zrozumiesz kluczowe koncepcje matematyczne, takie jak prawdopodobieństwo, statystyka, algebra liniowa i rachunek różniczkowy. Umiejętności programistyczne: Poznasz fragmenty kodu w Pythonie, które pomogą Ci zastosować zdobytą wiedzę w praktyce. Przykłady zastosowań: Otrzymasz praktyczne przykłady, które ilustrują zastosowanie matematyki w uczeniu głębokim. Solidne podstawy: Rozpoczniesz od podstawowych zagadnień, takich jak twierdzenie Bayesa, a następnie przejdziesz do bardziej zaawansowanych tematów. Kluczowe tematy i obszary Podstawy prawdopodobieństwa i statystyki Algebra liniowa w kontekście uczenia maszynowego Rachunek różniczkowy i jego zastosowanie w sieciach neuronowych Praktyczne aspekty programowania w Pythonie Zaawansowane koncepcje w deep learningu O Autorze Ronald T. Kneusel – ekspert w dziedzinie matematyki i informatyki, autor wielu publikacji dotyczących uczenia maszynowego i sztucznej inteligencji. Jego prace koncentrują się na praktycznych zastosowaniach matematyki w nowoczesnych technologiach. O Wydawcy Helion – renomowane wydawnictwo specjalizujące się w literaturze informatycznej i technologicznej, oferujące wysokiej jakości publikacje dla profesjonalistów i pasjonatów. Producent/osoba odpowiedzialna za bezpieczeństwo produktuHELION S.A.Kościuszk 1C44-100 Gliwicegpsr@grupahelion.pl322309863