Поделиться

Машинное обучение и TensorFlow

Введение в машинное обучение и библиотеку TensorFlow.

Шакла Нишант «Машинное обучение и TensorFlow» Питер, 2019 год, 336 стр., ISBN: 978-5-4461-0826-8; (46,5 мб. pdf)

Знакомство с машинным обучением и библиотекой TensorFlow похоже на первые уроки в автошколе, когда вы мучаетесь с параллельной парковкой, пытаетесь переключить передачу в нужный момент и не перепутать зеркала, лихорадочно вспоминая последовательность действий, в то время как ваша нога нервно подрагивает на педали газа.

Это сложное, но необходимое упражнение. Так прежде чем использовать современные системы распознавания лиц или алгоритмы прогнозирования на фондовом рынке, вам придется разобраться с соответствующим инструментарием и набором инструкций, чтобы затем без проблем создавать собственные системы.

Новички оценят прикладную направленность этой книги, ведь ее цель — познакомить с основами, чтобы затем быстро приступить к решению реальных задач. От обзора концепций машинного обучения и принципов работы с TensorFlow вы перейдете к базовым алгоритмам, изучите нейронные сети и сможете самостоятельно решать задачи классификации, кластеризации, регрессии и прогнозирования.

Для понимания некоторых примеров кода от вас потребуется знание объектно-ориентированного программирования на языке Python. В остальном же эта книга является введением в машинное обучение, начиная с его основ.

Оглавление книги

Содержание

Часть I. Ваше снаряжение для машинного обучения
Глава 1. Одиссея машинного обучения
1.1. Основы машинного обучения
1.1.1. Параметры
1.1.2. Обучение и вывод
1.2. Представление данных и признаки
1.3. Метрики расстояния
1.4. Типы обучения
1.4.1. Обучение с учителем
1.4.2. Обучение без учителя
1.4.3. Обучение с подкреплением
1.5. Библиотека TensorFlow
1.6. Обзор предстоящих глав
1.7. Краткие итоги

Глава 2. Основы TensorFlow
2.1. Убедитесь, что TensorFlow работает
2.2. Представление тензоров
2.3. Создание операторов
2.4. Выполнение операторов во время сеанса
2.4.1. Представление кода как графа
2.4.2. Настройка конфигурации сеансов
2.5. Написание кода в Jupiter
2.6. Использование переменных
2.7. Сохранение и загрузка переменных
2.8. Визуализация данных с помощью TensorBoard
2.8.1. Использование метода скользящего среднего
2.8.2. Визуализация метода скользящего среднего
2.9. Краткие итоги

Часть II. Основные алгоритмы обучения
Глава 3. Линейная н нелинейная регрессия
3.1. Формальные обозначения
3.1.1. Как понять, что алгоритм регрессии работает?….
3.2. Линейная регрессия
3.3. Полиномиальная модель
3.4. Регуляризация
3.5. Применение линейной регрессии
3.6. Краткие итоги
Alt-txt
Глава 4. Краткое введение в классификацию
4.1. Формальные обозначения
4.2. Оценка эффективности
4.2.1. Правильность
4.2.2. Точность и полнота
4.2.3. Кривая ошибок
4.3. Использование для классификации линейной регрессии..
4.4. Использование логистической регрессии
4.4.1. Решение одномерной логистической регрессии
4.4.2. Решение двумерной логистической регрессии
4.5. Многоклассовая классификация
4.5.1. Один против всех
4.5.2. Каждый против каждого
4.5.3. Многоклассовая логистическая регрессия.
4.6. Применение классификации
4.7. Краткие итоги

Глава 5. Автоматическая кластеризация данных
5.1. Обход файлов в TensorFlow
5.2. Извлечение признаков из звукозаписи
5.3. Кластеризация методом k-средних
5.4. Сегментация звуковых данных
5.5. Кластеризация с самоорганизующимися картами
5.6. Применение кластеризации
5.7. Краткие итоги

Глава 6. Скрытое марковское моделирование
6.1. Пример не интерпретируемой модели
6.2. Модель Маркова
6.3. Скрытое марковское моделирование
6.4. Алгоритм прямого хода
6.5. Декодирование Витерби
6.6. Применение скрытых марковских моделей
6.6.1. Моделирование видео
6.6.2. Моделирование ДНК
6.6.3. Моделирование изображения
6.7. Применение скрытых марковских моделей
6.8. Краткие итоги

Часть III. Парадигма нейронных сетей
Глава 7. Знакомство е автокодировшиками
7.1. Нейронные сети
7.2. Автокодировщики
7.3. Пакетное обучение
7.4. Работа с изображениями
7.5. Применение автокодировщиков
7.6. Краткие итоги

Глава 8. Обучение с подкреплением
8.1. Формальные обозначения
8.1.1. Политика
8.1.2. Выгода
8.2. Применение обучения с подкреплением
8.3. Реализация обучения с подкреплением
8.4. Исследование других областей использования обучения с подкреплением
8.5. Краткие итоги

Глава 9. Сверточные нейронные сети
9.1. Недостатки нейронных сетей
9.2. Сверточные нейронные сети
9.3. Подготовка изображения
9.3.1. Создание фильтров
9.3.2. Свертывания с использованием фильтров
9.3.3. Подвыборка с определением максимального значения (max pooling)
9.4. Использование сверточной нейронной сети в TensorFlow
9.4.1. Оценка эффективности
9.4.2. Обучения классификатора
9.5. Советы и трюки по повышению эффективности
9.6. Применение сверточных нейронных сетей
9.7. Краткие итоги

Глава 10. Рекуррентные нейронные сети
10.1. Контекстная информация
10.2. Введение в рекуррентные нейронные сети
10.3. Использование рекуррентной нейронной сети
10.4. Прогностическая модель данных временного ряда.
10.5. Применение рекуррентных нейронных сетей
10.6. Краткие итоги

Глава 11. Модели sequence-to-sequence для чат-бота
11.1. Построения на основе классификации и
11.2. Архитектура seq2seq
11.3. Векторное представление символов
11.4. Собирая все вместе
11.5. Сбор данных диалога
11.6. Краткие итоги

Глава 12. Ландшафт полезности
12.1. Модель предпочтения
12.2. Встраивание изображения
12.3. Ранжирование изображений
12.4. Краткие итоги
12.5. Что дальше?

Приложение. Установка
П.1. Установка TensorFlow с помощью Docker
П.1.1. Установка Docker в ОС Windows
П. 1.2. Установка Docker в ОС Linux
П. 1.3. Установка Docker в macOS
П. 1.4. Как использовать Docker
П.2. Установка Matplotlib

СкачатьPDF


Поделиться