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

Indeks: KSZ-20253 EAN: 9788328378506

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...
56,90 zł
54,19 zł netto
Zapłać później
Towar w trakcie przyjęcia - dostępny w ciągu kilku dni
Oczekiwanie na dostawę
Producent: Helion

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

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

Widok z tyłu.

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
Książka - Autor Laurence Moroney
Książka - ISBN 978-83-283-7850-6
Książka - Oprawa miękka
Książka - Wydawnictwo Helion S.A.
Tematyka Sztuczna inteligencja
Szerokość opakowania 17 cm
Wysokość opakowania 23.3 cm
Głębokość opakowania 2 cm
Masa opakowania 0.6 kg

Jako pierwszy zadaj pytanie dotyczące tego produktu!

Klienci którzy zakupili ten produkt kupili również:

Produkty z tej samej kategorii: