Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Opis produktu: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron

Drugie wydanie przewodnika po technikach uczenia maszynowego autorstwa Aurélien Géron. Dzięki tej książce można nauczyć się budowania i trenowania głębokiej sieci neuronowej, wystarczy posiadać minimalne umiejętności programistyczne.

Książka zawiera między innymi:

• podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow
• techniki wykrywania obiektów, segmentacji semantycznej i mechanizmy uwagi
• interfejs Keras, narzędzia TF Transform i TF Serving
• wdrażanie modeli TensorFlow
• techniki uczenia nienadzorowanego, wykrywanie anomalii oraz biblioteka TF Agents

Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II - Aurélien Géron. Książka przeznaczona jest dla programistów.

Książka przedstawia techniki uczenia maszynowego na praktycznych przykładach.

Informacje o książce

• Autor: Aurélien Géron
• Tytuł oryginalny: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition
• Tłumaczenie: Krzysztof Sawka
• Wydawca: Helion SA
• Rok wydania: 2020
• Liczba stron: 768
• ISBN: 978-83-283-6002-0
• Format: 168 x 237 mm

O Autorze

Aurélien Géron - to konsultant do spraw uczenia maszynowego. Pracował w korporacji Google, a w latach 2013 – 2016 kierował zespołem klasyfikowania filmów w firmie YouTube. Był także założycielem i dyrektorem do spraw technicznych (w latach 2002 – 2012) w firmie Wifirst — czołowym francuskim dostawcy bezprzewodowych usług internetowych. Również w 2001 roku pełnił te same funkcje w firmie Polyconseil - obecnie zarządza ona usługą udostępniania samochodów elektrycznych Autolib’.

Spis treści

Przedmowa 15

CZĘŚĆ I. PODSTAWY UCZENIA MASZYNOWEGO 25

1. Krajobraz uczenia maszynowego 27

• Czym jest uczenie maszynowe? 28
• Dlaczego warto korzystać z uczenia maszynowego? 28
• Przykładowe zastosowania 31
• Rodzaje systemów uczenia maszynowego 33
• Główne problemy uczenia maszynowego 48
• Testowanie i ocenianie 55
• Ćwiczenia 57

2. Nasz pierwszy projekt uczenia maszynowego 59

• Praca z rzeczywistymi danymi 59
• Przeanalizuj całokształt projektu 61
• Zdobądź dane 65
• Odkrywaj i wizualizuj dane, aby zdobywać nowe informacje 78
• Przygotuj dane pod algorytmy uczenia maszynowego 84
• Wybór i uczenie modelu 92
• Wyreguluj swój model 96
• Uruchom, monitoruj i utrzymuj swój system 100
• Teraz Twoja kolej! 103
• Ćwiczenia 103

3. Klasyfikacja 105

• Zbiór danych MNIST 105
• Uczenie klasyfikatora binarnego 107
• Miary wydajności 108
• Klasyfikacja wieloklasowa 119
• Analiza błędów 121
• Klasyfikacja wieloetykietowa 124
• Klasyfikacja wielowyjściowa 125
• Ćwiczenia 127

4. Uczenie modeli 129

• Regresja liniowa 130
• Gradient prosty 135
• Regresja wielomianowa 145
• Krzywe uczenia 146
• Regularyzowane modele liniowe 150
• Regresja logistyczna 157
• Ćwiczenia 166

5. Maszyny wektorów nośnych 167

• Liniowa klasyfikacja SVM 167
• Nieliniowa klasyfikacja SVM 170
• Regresja SVM 175
• Mechanizm działania 177
• Ćwiczenia 186

6. Drzewa decyzyjne 187

• Uczenie i wizualizowanie drzewa decyzyjnego 187
• Wyliczanie prognoz 188
• Szacowanie prawdopodobieństw przynależności do klas 190
• Algorytm uczący CART 191
• Złożoność obliczeniowa 192
• Wskaźnik Giniego czy entropia? 192
• Hiperparametry regularyzacyjne 193
• Regresja 194
• Niestabilność 196
• Ćwiczenia 197

7. Uczenie zespołowe i losowe lasy 199

• Klasyfikatory głosujące 199
• Agregacja i wklejanie 202
• Rejony losowe i podprzestrzenie losowe 206
• Losowe lasy 206
• Wzmacnianie 209
• Kontaminacja 217
• Ćwiczenia 219

8. Redukcja wymiarowości 223

• Klątwa wymiarowości 224
• Główne strategie redukcji wymiarowości 225
• Analiza PCA 228
• Jądrowa analiza PCA 236
• Algorytm LLE 239
• Inne techniki redukowania wymiarowości 241
• Ćwiczenia 241

9. Techniki uczenia nienadzorowanego 243

• Analiza skupień 244
• Mieszaniny gaussowskie 266
• Ćwiczenia 280

CZĘŚĆ II. SIECI NEURONOWE I UCZENIE GŁĘBOKIE 283

10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras 285

• Od biologicznych do sztucznych neuronów 286
• Implementowanie perceptronów wielowarstwowych za pomocą interfejsu Keras 300
• Dostrajanie hiperparametrów sieci neuronowej 323
• Ćwiczenia 330

11. Uczenie głębokich sieci neuronowych 333

• Problemy zanikających/eksplodujących gradientów 334
• Wielokrotne stosowanie gotowych warstw 347
• Szybsze optymalizatory 352
• Regularyzacja jako sposób zapobiegania przetrenowaniu 364
• Podsumowanie i praktyczne wskazówki 371
• Ćwiczenia 372

12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow 375

• Krótkie omówienie modułu TensorFlow 375
• Korzystanie z modułu TensorFlow jak z biblioteki NumPy 379
• Dostosowywanie modeli i algorytmów uczenia 383
• Funkcje i grafy modułu TensorFlow 402
• Ćwiczenia 406

13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow 409

• Interfejs danych 410
• Format TFRecord 419
• Wstępne przetwarzanie cech wejściowych 425
• TF Transform 433
• Projekt TensorFlow Datasets (TFDS) 435
• Ćwiczenia 436

14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych 439

• Struktura kory wzrokowej 440
• Warstwy splotowe 441
• Warstwa łącząca 449
• Architektury splotowych sieci neuronowych 452
• Implementacja sieci ResNet-34 za pomocą interfejsu Keras 468
• Korzystanie z gotowych modeli w interfejsie Keras 469
• Gotowe modele w uczeniu transferowym 471
• Klasyfikowanie i lokalizowanie 473
• Wykrywanie obiektów 474
• Segmentacja semantyczna 481
• Ćwiczenia 484

15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych 487

• Neurony i warstwy rekurencyjne 488
• Uczenie sieci rekurencyjnych 492
• Prognozowanie szeregów czasowych 493
• Obsługa długich sekwencji 500
• Ćwiczenia 511

16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi 513

• Generowanie tekstów szekspirowskich za pomocą znakowej sieci rekurencyjnej 514
• Analiza sentymentów 522
• Sieć typu koder - dekoder służąca do neuronowego tłumaczenia maszynowego 529
• Mechanizmy uwagi 534
• Współczesne innowacje w modelach językowych 546
• Ćwiczenia 548

17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych 551

• Efektywne reprezentacje danych 552
• Analiza PCA za pomocą niedopełnionego autokodera liniowego 554
• Autokodery stosowe 555
• Autokodery splotowe 562
• Autokodery rekurencyjne 563
• Autokodery odszumiające 564
• Autokodery rzadkie 566
• Autokodery wariacyjne 569
• Generatywne sieci przeciwstawne 574
• Ćwiczenia 587

18. Uczenie przez wzmacnianie 589

• Uczenie się optymalizowania nagród 590
• Wyszukiwanie strategii 591
• Wprowadzenie do narzędzia OpenAI Gym 593
• Sieci neuronowe jako strategie 597
• Ocenianie czynności: problem przypisania zasługi 598
• Gradienty strategii 600
• Procesy decyzyjne Markowa 604
• Uczenie metodą różnic czasowych 607
• Q-uczenie 609
• Implementacja modelu Q-uczenia głębokiego 612
• Odmiany Q-uczenia głębokiego 616
• Biblioteka TF-Agents 619
• Przegląd popularnych algorytmów RN 637
• Ćwiczenia 639

19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow 641

• Eksploatacja modelu TensorFlow 642
• Wdrażanie modelu na urządzeniu mobilnym lub wbudowanym 658
• Przyspieszanie obliczeń za pomocą procesorów graficznych 661
• Uczenie modeli za pomocą wielu urządzeń 673
• Ćwiczenia 688
• Dziękuję! 688

A. Rozwiązania ćwiczeń 691

B. Lista kontrolna projektu uczenia maszynowego 725

C. Problem dualny w maszynach wektorów nośnych 731

D. Różniczkowanie automatyczne 735

E. Inne popularne architektury sieci neuronowych 743

F. Specjalne struktury danych 751

G. Grafy TensorFlow 757