Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe - Ronald T. Kneusel

Opis produktu: Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe - Ronald T. Kneusel

Książka autorstwa Ronalda T. Kneusel'a przedstawia w przystępny sposób zagadnienia matematyczne związane z głębokim uczeniem. Są to np. praktyczne aspekty probabilistyki, statystyki, algebry liniowej i rachunek różniczkowy. Każdemu z zagadnień towarzyszy fragment kodu w Pythonie i praktyczne przykłady zastosowań w uczeniu głębokim. Książka zawiera także bardziej zaawansowane zagadnienia, takie jak uczenie sieci neuronowych przy użyciu wektorów, macierzy i pochodnych. Publikacja umożliwia lepsze zrozumienie złożonych mechanizmów rządzących sztuczną inteligencją.

Książka Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe - Ronald T. Kneusel.

Książka przedstawia w przystępny sposób zagadnienia matematyczne związane z głębokim uczeniem.

Matematyka w deep learningu

Do budowania systemów uczenia maszynowego można posłużyć się frameworkami, jednak rzeczywiste zrozumienie uczenia głębokiego wymaga znajomości koncepcji matematycznych. Koncepcje te zostały wytłumaczone przez Ronalda T. Kneusel'a w książce w przystępny i praktyczny sposób.

Zagadnienia książki

• 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
• Zapewnienie większej wydajności działania aplikacji
• Automatyczne skalowanie i mechanizm równoważenia obciążenia

Informacje o autorze

Dr Ron Kneusel to autor książek o sztucznej inteligencji, komputerach, matematyce i nauce. Zawodowo zajmuje się uczeniem maszynowym od 2003 roku. W 2016 roku obronił doktorat z tej dziedziny na Uniwersytecie Kolorado w Boulder. Autor książki Deep learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona (Helion, 2022).

Informacje o książce

• Tytuł oryginalny: Math for Deep Learning: What You Need to Know to Understand Neural Networks
• Autor: Ronald T. Kneusel
• Tłumaczenie: Filip Kamiński
• ISBN: 978-83-289-1016-4
• Rok wydania: 2024
• Format: 165 x 228 mm
• Oprawa: miękka
• Ilość stron: 344
• Wydawnictwo: Helion S.A.

Książka Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe.

Spis treści

Przedmowa

Wprowadzenie

1. Przygotowanie środowiska pracy

1. • Instalowanie zestawu narzędzi
     • Linuks
     • macOS
     • Windows
   • NumPy
     • Definiowanie tablic
     • Typy danych
     • Tablice dwuwymiarowe
     • np.zeros i np.ones
     • Zaawansowane indeksowanie
     • Odczyt i zapis na dysku
   • SciPy
   • Matplotlib
   • Scikit-learn
   • Podsumowanie

2. Prawdopodobieństwo

1. • Podstawowe koncepcje
     • Przestrzeń próbek i zdarzenia
     • Zmienne losowe
     • Ludzie nie radzą sobie z prawdopodobieństwem
   • Reguły prawdopodobieństwa
     • Prawdopodobieństwo zdarzenia
     • Reguła dodawania
     • Reguła mnożenia
     • Ponowne spojrzenie na regułę dodawania
     • Paradoks dnia urodzin
     • Prawdopodobieństwo warunkowe
     • Prawdopodobieństwo całkowite
   • Prawdopodobieństwo łączne i brzegowe
     • Tabele prawdopodobieństwa łącznego
     • Reguła łańcuchowa dla prawdopodobieństwa
   • Podsumowanie

3. Więcej prawdopodobieństwa

1. • Rozkłady prawdopodobieństwa
     • Histogramy i prawdopodobieństwa
     • Dyskretne rozkłady prawdopodobieństwa
     • Ciągłe rozkłady prawdopodobieństwa
     • Centralne twierdzenie graniczne
     • Prawo wielkich liczb
   • Twierdzenie Bayesa
     • Rak czy nie rak
     • Aktualizacja prawdopodobieństwa a priori
     • Twierdzenie Bayesa w uczeniu maszynowym
   • Podsumowanie

4. Statystyka

1. • Rodzaje danych
     • Dane nominalne
     • Dane porządkowe
     • Dane interwałowe
     • Dane ilorazowe
     • Wykorzystanie danych nominalnych w uczeniu głębokim
   • Statystyki podsumowujące
     • Średnie i mediana
     • Miary zmienności
   • Kwantyle i wykresy pudełkowe
   • Braki w danych
   • Korelacja
     • Współczynnik korelacji Pearsona
     • Korelacja Spearmana
   • Testowanie hipotez
     • Hipotezy
     • Test t
     • Test U Manna-Whitneya
   • Podsumowanie

5. Algebra liniowa

1. • Skalary, wektory, macierze i tensory
     • Skalary
     • Wektory
     • Macierze
     • Tensory
   • Arytmetyka tensorów
     • Operacje tablicowe
     • Operacje wektorowe
     • Mnożenie macierzy
     • Iloczyn Kroneckera
   • Podsumowanie

6. Więcej algebry liniowej

1. • Macierze kwadratowe
     • Dlaczego macierze kwadratowe?
     • Transpozycja, ślad i potęgowanie
     • Specjalne macierze kwadratowe
     • Macierz jednostkowa
     • Wyznaczniki
     • Odwrotności
     • Macierze symetryczne, ortogonalne i unitarne
     • Określoność macierzy symetrycznych
   • Wektory i wartości własne
     • Znajdowanie wartości i wektorów własnych
   • Normy wektorowe i miary odległości
     • L-normy oraz miary odległości
     • Macierze kowariancji
     • Odległość Mahalanobisa
     • Dywergencja Kullbacka-Leiblera
   • Analiza głównych składowych
   • Rozkład według wartości osobliwych i pseudoodwrotności
     • SVD w akcji
     • Dwa zastosowania
   • Podsumowanie

7. Rachunek różniczkowy

1. • Nachylenie
   • Pochodne
     • Definicja formalna
     • Podstawowe zasady
     • Funkcje trygonometryczne
     • Funkcje wykładnicze i logarytmy
   • Minima i maksima funkcji
   • Pochodne cząstkowe
     • Mieszane pochodne cząstkowe
     • Reguła łańcuchowa dla pochodnych cząstkowych
   • Gradienty
     • Obliczanie gradientu
     • Wizualizacja gradientu
   • Podsumowanie

8. Macierzowy rachunek różniczkowy

1. • Formuły
     • Funkcja wektorowa z argumentem skalarnym
     • Funkcja skalarna z argumentem wektorowym
     • Funkcja wektorowa przyjmująca wektor
     • Funkcja macierzowa przyjmująca skalar
     • Funkcja skalarna przyjmująca macierz
   • Tożsamości
     • Funkcja skalarna z argumentem wektorowym
     • Funkcja wektorowa z argumentem skalarnym
     • Funkcja wektorowa przyjmująca wektor
     • Funkcja skalarna przyjmująca macierz
   • Macierze Jacobiego i hesjany
     • Macierze Jacobiego
     • Hesjany
   • Wybrane przykłady z macierzowego rachunku różniczkowego
     • Pochodna operacji na elementach
     • Pochodna funkcji aktywacji
   • Podsumowanie

9. Przepływ danych w sieciach neuronowych

1. • Reprezentacja danych
     • Tradycyjne sieci neuronowe
     • Głębokie sieci konwolucyjne
   • Przepływ danych w tradycyjnych sieciach neuronowych
   • Przepływ danych w konwolucyjnych sieciach neuronowych
     • Konwolucja
     • Warstwy konwolucyjne
     • Warstwy łączące
     • Warstwy w pełni połączone
     • Przepływ danych w konwolucyjnej sieci neuronowej
   • Podsumowanie

10. Propagacja wsteczna

1. • Czym jest propagacja wsteczna?
   • Ręczne przeprowadzanie propagacji wstecznej
     • Pochodne cząstkowe
     • Zamiana formuł na kod w Pythonie
     • Uczenie i testowanie modelu
   • Propagacja wsteczna w sieciach w pełni połączonych
     • Wsteczna propagacja błędu
     • Obliczanie pochodnych cząstkowych wag i wyrazów wolnych
     • Implementacja w Pythonie
     • Korzystanie z implementacji
   • Grafy obliczeniowe
   • Podsumowanie

11. Metoda gradientu prostego

1. • Podstawowa idea
     • Jednowymiarowa metoda gradientu prostego
     • Metoda gradientu prostego w dwóch wymiarach
     • Stochastyczna metoda gradientu prostego
   • Pęd
     • Czym jest pęd?
     • Pęd w jednym wymiarze
     • Pęd w dwóch wymiarach
     • Uczenie modeli za pomocą metod z pędem
     • Pęd Niestierowa
   • Adaptacyjna metoda gradientu prostego
     • RMSprop
     • Adagrad i Adadelta
     • Adam
     • Kilka uwag na temat metod optymalizacji
   • Podsumowanie
   • Epilog

Dodatek. Co dalej?

Skorowidz