Uczenie maszynowe
Deep Learning. Praktyczne wprowadzenie
- Szczegóły
- Kategoria: Uczenie maszynowe
Technologie wykorzystujące różne formy uczenia maszynowego zaczynają pojawiać się w różnych branżach. Możliwości w tym zakresie stale rosną, podobnie jak zainteresowanie i oczekiwania. Przed podjęciem decyzji o wdrożeniu w firmie tego rodzaju rozwiązań trzeba jednak zadać sobie pytanie, co można i co chciałoby się osiągnąć za pomocą sieci neuronowej.
Generalnie uczenie maszynowe opiera się na algorytmach wyodrębniania informacji z surowych danych i reprezentowania ich jako modelu. Model ten następnie służy do przetwarzania kolejnych surowych danych. Co to jednak oznacza w praktyce i jak się implementuje takie algorytmy?
Niniejsza książka jest przydatnym przewodnikiem po uczeniu maszynowym i sieciach neuronowych. Zawiera praktyczne informacje, które doceni każdy programista stawiający pierwsze kroki w tej dziedzinie.
Przedstawiono tu podstawy deep learningu i wyjaśniono takie pojęcia, jak strojenie sieci, wielowątkowość, wektoryzowanie danych. Opisano, w jaki sposób można wykorzystać otwartą bibliotekę Deeplearning4j (DL4J) do kodowania profesjonalnych procesów uczenia głębokiego. Zaprezentowano metody i strategie trenowania sieci głębokich i uruchamiania procesów uczenia głębokiego w środowiskach Spark i Hadoop. Zagadnienia te zostały zilustrowane gotowymi do zastosowania, praktycznymi przykładami.
W tej książce między innymi:
- ogólne koncepcje uczenia maszynowego, uczenia głębokiego i sieci neuronowych
- ewolucja sieci neuronowych do sieci głębokich i ich rodzaje
- dobieranie rodzaju sieci do analizowanego zagadnienia
- strojenie sieci neuronowych i sieci głębokich
- korzystanie z narzędzia DataVec do wektoryzowania danych różnych typów
- stosowanie biblioteki DL4J w środowiskach Spark i Hadoop
Uczenie głębokie i sieci neuronowe: przyszłość, która dzieje się dziś!
Josh Patterson jest uznanym autorytetem w dziedzinie przetwarzania wielkich ilości danych, uczenia maszynowego i uczenia głębokiego. Aktywnie działa na rzecz tworzenia otwartego oprogramowania, uczestniczy w takich projektach jak DL4J, Apache Mahout, Metronome, IterativeReduce, openPDC i JMotif.
Adam Gibson specjalizuje się w uczeniu głębokim. Ma duże doświadczenie w budowaniu systemów do przetwarzania dużych ilości danych w czasie rzeczywistym. Z jego rozwiązań korzystają m.in. firmy z listy Fortune 500, towarzystwa ubezpieczeniowe, firmy public relations i startupy.
- Uczenie maszynowe w języku R. Tworzenie i doskonalenie modeli - od przygotowania danych po dostrajanie, ewaluację i pracę z big data. Wydanie IV - [05 czerwiec 2024]
- Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - [28 maj 2024]
- Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II - [24 kwiecień 2024]
- Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku - [13 luty 2024]
- Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym - [26 październik 2023]