Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji - Laurence Moroney

Opis produktu: Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji - Laurence Moroney

Książka autorstwa Laurence Moroney (w tłumaczeniu Jacka Janusza) - Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji. To rzetelne źródło wiedzy, które opiera się na sprawdzonej metodyce - nauce poprzez pisanie kodu w Pythonie. Dzięki ćwiczeniom z tej książki dowiesz się jak zaimplementować najważniejsze algorytmy uczenia maszynowego (przy wykorzystaniu biblioteki TensorFlow), nauczysz się wdrażać modele uczenia maszynowego i tworzyć przydatne aplikacje. 

Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji - Laurence Moroney.

Widok z tyłu.

Zagadnienia poruszane w książce

• Podstawy uczenia maszynowego
• Zastosowanie biblioteki TensorFlow do budowy praktycznych modeli
• Tworzenie modeli sieci neuronowych
• Implementacja widzenia komputerowego i rozpoznawania obrazów
• Przetwarzanie języka naturalnego
• Implementacja modeli dla urządzeń z systemami Android i iOS
• Udostępnianie modeli w Internecie i chmurze dzięki systemowi TensorFlow Serving

Informacje o książce

• Tytuł: Sztuczna inteligencja i uczenie maszynowe dla programistów. Praktyczny przewodnik po sztucznej inteligencji
• Autor: Laurence Moroney
• Tłumaczenie: Jacek Janusz
• ISBN: 978-83-283-7850-6
• Rok wydania: 2021
• Format: 168 x 237 mm
• Ilość stron: 352
• Wydawnictwo: Helion S.A.
• Oprawa: miękka

Spis treści

• Opinie o książce
• Słowo wstępne
• Przedmowa
  • Dla kogo jest ta książka?
  • Dlaczego napisałem tę książkę?
  • Jak się poruszać po tej książce?
  • Jakich zagadnień się nauczysz?
  • Zasoby dostępne w sieci
  • Konwencje zastosowane w tej książce
  • Wykorzystanie przykładów kodu
  • Podziękowania
• CZĘŚĆ I. Tworzenie modeli
• Rozdział 1. Wprowadzenie do biblioteki TensorFlow
  • Czym jest uczenie maszynowe?
  • Ograniczenia programowania tradycyjnego
  • Od programowania do uczenia
  • Czym jest TensorFlow?
  • Użycie platformy TensorFlow
    • Instalowanie platformy TensorFlow za pomocą języka Python
    • Użycie platformy TensorFlow w środowisku PyCharm
    • Użycie platformy TensorFlow w środowisku Google Colab
  • Pierwsze kroki z uczeniem maszynowym
    • Czego nauczyła się sieć?
  • Podsumowanie
• Rozdział 2. Wprowadzenie do widzenia komputerowego
  • Rozpoznawanie elementów odzieży
    • Dane: Fashion MNIST
  • Neurony widzenia komputerowego
  • Projektowanie sieci neuronowej
    • Cały kod programu
  • Trenowanie sieci neuronowej
  • Analiza wyników modelu
  • Trenowanie przez dłuższy czas nadmierne dopasowanie
  • Zakończenie trenowania
  • Podsumowanie
• Rozdział 3. Bardziej zaawansowane zagadnienie: wykrywanie cech w obrazach
  • Konwolucje
  • Pooling
  • Implementacja konwolucyjnych sieci neuronowych
  • Analiza sieci konwolucyjnej
  • Tworzenie konwolucyjnej sieci neuronowej rozróżniającej konie i ludzi
    • Zbiór danych Horses or Humans
    • Klasa ImageDataGenerator z pakietu Keras
    • Architektura konwolucyjnej sieci neuronowej przetwarzającej zbiór Horses or Humans
    • Tworzenie zbioru walidacyjnego
    • Testowanie obrazów ze zbioru Horse or Human
  • Generowanie dodatkowych obrazów
  • Uczenie transferowe
  • Klasyfikowanie wieloklasowe
  • Regularyzacja dropout
  • Podsumowanie
• Rozdział 4. Korzystanie za pomocą biblioteki TensorFlow Datasets z publicznie dostępnych zbiorów danych
  • Pierwsze kroki z TFDS
  • Użycie biblioteki TFDS z modelami Keras
    • Wczytywanie określonych wersji
  • Użycie funkcji mapowania do generowania sztucznych danych
    • Użycie biblioteki TensorFlow Addons
  • Korzystanie z niestandardowych podzbiorów
  • Czym jest TFRecord?
  • Użycie procesu ETL do zarządzania danymi w TensorFlow
    • Optymalizacja fazy wczytywania
    • Zrównoleglenie procesu ETL w celu poprawy wydajności trenowania
  • Podsumowanie
• Rozdział 5. Wprowadzenie do przetwarzania języka naturalnego
  • Zamiana języka na liczby
    • Pierwsze kroki z tokenizacją
    • Zamiana zdań na sekwencje
      • Użycie tokenów typu brak w słowniku
      • Do czego służy dopełnianie?
  • Usuwanie słów nieinformatywnych i porządkowanie tekstu
  • Obsługa realnych źródeł danych
    • Pobieranie tekstu za pomocą biblioteki TensorFlow Datasets
      • Korzystanie ze zbiorów danych IMDb zawierających podłańcuchy
    • Pobieranie tekstów z plików CSV
      • Tworzenie podzbiorów treningowych i testowych
    • Pobieranie tekstów z plików JSON
      • Odczytywanie plików JSON
  • Podsumowanie
• Rozdział 6. Programowa analiza emocji za pomocą osadzeń
  • Ustalanie znaczenia słów
    • Prosty przykład: względne znaczenie słów
    • Przykład bardziej zaawansowany: użycie wektorów
  • Osadzenia w bibliotece TensorFlow
    • Tworzenie detektora sarkazmu przy użyciu osadzania
    • Zmniejszanie nadmiernego dopasowania w modelach językowych
      • Dostosowywanie współczynnika uczenia
      • Rozmiar słownika
      • Wymiary osadzania
      • Architektura modelu
      • Użycie dropoutu
      • Użycie regularyzacji
      • Inne zagadnienia związane z optymalizacją
    • Stosowanie modelu do klasyfikowania zdań
  • Wizualizacja osadzeń
  • Korzystanie ze wstępnie wytrenowanych osadzeń przy użyciu TensorFlow Hub
  • Podsumowanie
• Rozdział 7. Użycie rekurencyjnych sieci neuronowych do przetwarzania języka naturalnego
  • Podstawy rekurencji
  • Zastosowanie rekurencji w przetwarzaniu języka naturalnego
  • Tworzenie klasyfikatora tekstu przy użyciu rekurencyjnych sieci neuronowych
    • Łączenie warstw LSTM
      • Optymalizacja modeli z wieloma warstwami LSTM
      • Użycie dropoutu
  • Użycie wstępnie wytrenowanych osadzeń w rekurencyjnych sieciach neuronowych
  • Podsumowanie
• Rozdział 8. Użycie biblioteki TensorFlow do generowania tekstu
  • Zamiana sekwencji na sekwencje wejściowe
  • Tworzenie modelu
  • Generowanie tekstu
    • Prognozowanie następnego słowa
    • Łączenie prognoz w celu generowania tekstu
  • Poszerzenie zbioru danych
  • Zmiana architektury modelu
  • Ulepszenie danych
  • Kodowanie oparte na znakach
  • Podsumowanie
• Rozdział 9. Sekwencje i dane szeregów czasowych
  • Wspólne atrybuty szeregów czasowych
    • Tendencja
    • Sezonowość
    • Autokorelacja
    • Szum
  • Metody prognozowania szeregów czasowych
    • Prosta metoda prognozowania jako punkt odniesienia
    • Pomiar dokładności prognozy
    • Metoda bardziej zaawansowana: wykorzystanie średniej ruchomej
    • Ulepszenie metody wykorzystującej średnią ruchomą
  • Podsumowanie
• Rozdział 10. Tworzenie modeli uczenia maszynowego do prognozowania sekwencji
  • Tworzenie okna zbioru danych
    • Tworzenie okna zbioru danych szeregu czasowego
  • Tworzenie sieci DNN i jej trenowanie w celu dopasowania do danych sekwencji
  • Ocena wyników działania sieci DNN
  • Analiza ogólnej prognozy
  • Dostrajanie współczynnika uczenia
  • Dostrajanie hiperparametrów za pomocą narzędzia Keras Tuner
  • Podsumowanie
• Rozdział 11. Użycie metod konwolucyjnych i rekurencyjnych w modelowaniu sekwencji
  • Użycie konwolucji z danymi sekwencyjnymi
    • Kodowanie konwolucji
    • Eksperymentowanie z hiperparametrami warstwy Conv1D
  • Korzystanie z danych pogodowych NASA
    • Odczytywanie danych GISS w Pythonie
  • Używanie sieci RNN do modelowania sekwencji
    • Korzystanie z większego zbioru danych
  • Użycie innych metod rekurencyjnych
  • Użycie dropoutu
  • Użycie dwukierunkowych sieci RNN
  • Podsumowanie
• CZĘŚĆ II. Używanie modeli
• Rozdział 12. Wprowadzenie do TensorFlow Lite
  • Czym jest TensorFlow Lite?
  • Przykład: utworzenie modelu i przekonwertowanie go do formatu TensorFlow Lite
    • Krok 1. zapisanie modelu
    • Krok 2. konwersja i zapamiętanie modelu
    • Krok 3. wczytanie modelu TFLite i alokacja tensorów
    • Krok 4. przeprowadzenie prognozy
  • Przykład: wykorzystanie uczenia transferowego w klasyfikatorze obrazów i jego konwersja na format TensorFlow Lite
  • Przykład: wykorzystanie uczenia transferowego w klasyfikatorze obrazów
    • Krok 1. utworzenie i zapisanie modelu
    • Krok 2. konwersja modelu do formatu TensorFlow Lite
    • Krok 3. optymalizacja modelu
  • Podsumowanie
• Rozdział 13. Użycie TensorFlow Lite w systemie Android
  • Czym jest Android Studio?
  • Tworzenie pierwszej aplikacji opartej na TensorFlow Lite dla systemu Android
    • Krok 1. utworzenie nowego projektu
    • Krok 2. edycja pliku układu
    • Krok 3. dodanie zależności TensorFlow Lite
    • Krok 4. dodanie modelu TensorFlow Lite
    • Krok 5. utworzenie kodu umożliwiającego użycie modelu TensorFlow Lite do wnioskowania
  • Coś więcej niż Witaj, świecie! przetwarzanie obrazów
  • Przykładowe aplikacje wykorzystujące bibliotekę TensorFlow Lite
  • Podsumowanie
• Rozdział 14. Użycie TensorFlow Lite w systemie iOS
  • Tworzenie pierwszej aplikacji TensorFlow Lite za pomocą Xcode
    • Krok 1. utworzenie prostej aplikacji iOS
    • Krok 2. dodanie bibliotek TensorFlow Lite do projektu
    • Krok 3. utworzenie interfejsu użytkownika
    • Krok 4. dodanie i zainicjalizowanie klasy odpowiedzialnej za operację prognozowania
    • Krok 5. przeprowadzenie operacji prognozowania
    • Krok 6. dodanie modelu do aplikacji
    • Krok 7. dodanie logiki obsługującej interfejs użytkownika
  • Coś więcej niż Witaj, świecie! przetwarzanie obrazów
  • Przykładowe aplikacje wykorzystujące bibliotekę TensorFlow Lite
  • Podsumowanie
• Rozdział 15. Wprowadzenie do TensorFlow.js
  • Czym jest TensorFlow.js?
  • Instalowanie i używanie środowiska programistycznego Brackets
  • Tworzenie pierwszego modelu wykorzystującego bibliotekę TensorFlow.js
  • Tworzenie klasyfikatora irysów
  • Podsumowanie
• Rozdział 16. Rozwiązywanie problemów z zakresu widzenia komputerowego za pomocą biblioteki TensorFlow.js
  • Uwagi dla programistów używających biblioteki TensorFlow dotyczące języka JavaScript
  • Tworzenie konwolucyjnej sieci neuronowej za pomocą języka JavaScript
  • Stosowanie wywołań zwrotnych do wizualizacji
  • Trenowanie za pomocą zbioru MNIST
  • Przeprowadzanie wnioskowania dla obrazów przy użyciu biblioteki TensorFlow.js
  • Podsumowanie
• Rozdział 17. Konwersja modeli z Pythona do JavaScriptu i ponowne ich użycie
  • Konwersja modeli z Pythona do JavaScriptu
    • Użycie przekonwertowanych modeli
  • Użycie wcześniej przekonwertowanych modeli
    • Klasyfikator treści toksycznych
    • Użycie biblioteki MobileNet do klasyfikowania obrazów w przeglądarce
    • Użycie biblioteki PoseNet
  • Podsumowanie
• Rozdział 18. Wykorzystanie uczenia transferowego w języku JavaScript
  • Uczenie transferowe przy użyciu biblioteki MobileNet
    • Krok 1. pobranie modelu MobileNet i identyfikacja warstw do użycia
    • Krok 2. utworzenie własnej architektury modelu, w której danymi wejściowymi są dane wyjściowe MobileNet
    • Krok 3. uzyskanie i sformatowanie danych
    • Krok 4. przeprowadzenie trenowania modelu
    • Krok 5. przeprowadzenie wnioskowania za pomocą modelu
  • Uczenie transferowe przy użyciu repozytorium TensorFlow Hub
  • Użycie modeli z portalu TensorFlow.org
  • Podsumowanie
• Rozdział 19. Wdrażanie modeli za pomocą usługi TensorFlow Serving
  • Czym jest TensorFlow Serving?
  • Instalowanie systemu TensorFlow Serving
    • Instalacja przy użyciu Dockera
    • Bezpośrednia instalacja w systemie Linux
  • Tworzenie i udostępnianie modelu
    • Konfigurowanie serwera
  • Podsumowanie
• Rozdział 20. Sztuczna inteligencja a etyka, uczciwość i prywatność
  • Uczciwość w procesie programowania
  • Uczciwość w procesie uczenia maszynowego
  • Narzędzia związane z kwestiami uczciwości
    • What-If
    • Facets
  • Uczenie federacyjne
    • Krok 1. identyfikacja dostępnych urządzeń, które można wykorzystać do trenowania
    • Krok 2. identyfikacja odpowiednich urządzeń, które można wykorzystać do trenowania
    • Krok 3. zainstalowanie modelu, który będzie używać zbioru treningowego
    • Krok 4. zwrócenie wyników trenowania do serwera
    • Krok 5. zainstalowanie modelu głównego w urządzeniach
    • Bezpieczna agregacja w uczeniu federacyjnym
    • Uczenie federacyjne przy użyciu TensorFlow Federated
  • Zasady firmy Google dotyczące sztucznej inteligencji
  • Podsumowanie
  • O autorze
  • Kolofon
• RYSUNKI