Мужские правила. Отношения, секс, психология Non-Bullshit Innovation Этой кнопке нужен текст
 
Наши проекты:
Вход для зарегистрированных пользователей
Регистрация нового пользователя
Каталог книг Новинки Анонсы Заказы / Корзина Рассылка Оплата и Доставка Контакты
Вы находитесь в разделе каталога:
• Глубокое обучение с точки зрения практика, Паттерсон Дж., Гибсон А.


Глубокое обучение с точки зрения практика
Глубокое обучение с точки зрения практика
Паттерсон Дж., Гибсон А.
Год выпуска: 2018
Изд-во: ДМК
ISBN: 978-5-97060-481-6
Переплёт: твердый
418 страниц
Цена: 1665.00 грн.
Есть в наличии
в корзину

Instant Purshare На 1 книгу
Отправка: "Новой Почтой" по понедельникам, средам и пятницам*
                Доставка курьером "Новой Почты" по Киеву - на день позже*
Интерес к машинному обучению зашкаливает, но завышенные ожидания нередко губят проекты еще на ранней стадии. Как машинное обучение - и особенно глубокие нейронные сети - может изменить вашу организацию?

Книга "Глубокое обучение с точки зрения практика" не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения.

Авторы сначала раскрывают фундаментальные вопросы глубокого обучения - настройка, распараллеливание, векторизация, конвейеры операций - актуальные для любой библиотеки, а затем переходят к библиотеке Deeplearning4j (DL4J), предназначенной для разработки технологических процессов профессионального уровня. На реальных примерах читатель познакомится с методами и стратегиями обучения глубоких сетей с различной архитектурой и их распараллеливания в кластерах Hadoop и Spark.



Содержание книги "Глубокое обучение с точки зрения практика"




Предисловие.................................................................................................................... 14
Глава 1. Обзор машинного обучения.......................................................................... 20
Обучающиеся машины...................................................................................................... 20
Как машины могут обучаться?..................................................................................... 21
Биологические корни.................................................................................................... 23
Что такое глубокое обучение?...................................................................................... 24
Вниз по кроличьей норе............................................................................................... 25
Формулировка вопросов................................................................................................... 26
Математические основания машинного обучения: линейная алгебра......................... 26
Скаляры.......................................................................................................................... 26
Векторы.......................................................................................................................... 26
Матрицы........................................................................................................................ 27
Тензоры.......................................................................................................................... 27
Гиперплоскости............................................................................................................. 28
Математические операции........................................................................................... 28
Преобразование данных в векторы............................................................................. 28
Решение систем уравнений.......................................................................................... 30
Математические основания машинного обучения: статистика.................................... 32
Вероятность................................................................................................................... 32
Условные вероятности.................................................................................................. 34
Апостериорная вероятность......................................................................................... 34
Распределения вероятности......................................................................................... 35
Выборка и генеральная совокупность......................................................................... 37
Методы с перевыборкой............................................................................................... 37
Смещение выборки....................................................................................................... 37
Правдоподобие.............................................................................................................. 38
Как работает машинное обучение?.................................................................................. 38
Регрессия........................................................................................................................ 38
Классификация.............................................................................................................. 40
Кластеризация............................................................................................................... 40
Недообучение и переобучение..................................................................................... 41
Оптимизация................................................................................................................. 41
Выпуклая оптимизация................................................................................................ 42
Градиентный спуск....................................................................................................... 43
Стохастический градиентный спуск............................................................................ 45
Квазиньютоновские методы оптимизации................................................................ 46
Порождающие и дискриминантные модели............................................................... 46
Логистическая регрессия.................................................................................................. 47
Логистическая функция................................................................................................ 48
Интерпретация результата логистической регрессии................................................ 48
Оценивание модели.......................................................................................................... 49
Матрица неточностей................................................................................................... 49
Итоги.................................................................................................................................. 52
Глава 2. Основы нейронных сетей и глубокого обучения...................................... 53
Нейронные сети................................................................................................................. 53
Биологический нейрон................................................................................................. 55
Перцептрон.................................................................................................................... 57
Многослойные сети прямого распространения.......................................................... 60
Обучение нейронных сетей.............................................................................................. 64
Обучение методом обратного распространения........................................................ 65
Функции активации.......................................................................................................... 71
Линейная функция........................................................................................................ 71
Сигмоида........................................................................................................................ 72
Функция tanh................................................................................................................. 73
Функция hardtanh.......................................................................................................... 73
Функция softmax........................................................................................................... 73
Линейная ректификация.............................................................................................. 74
Функции потерь................................................................................................................. 76
Применяемые обозначения......................................................................................... 76
Функции потерь для регрессии.................................................................................... 77
Функции потерь для классификации........................................................................... 78
Функции потерь для реконструкции........................................................................... 80
Гиперпараметры................................................................................................................ 81
Скорость обучения........................................................................................................ 81
Регуляризация............................................................................................................... 82
Импульс.......................................................................................................................... 82
Разреженность............................................................................................................... 82
Глава 3. Основания глубоких сетей............................................................................. 83
Определение глубокого обучения.................................................................................... 83
Что такое глубокое обучение?...................................................................................... 83
Как организована эта глава.......................................................................................... 92
Общие архитектурные принципы глубоких сетей.......................................................... 92
Параметры..................................................................................................................... 93
Слои................................................................................................................................ 93
Функции активации...................................................................................................... 94
Функции потерь............................................................................................................. 95
Алгоритмы оптимизации............................................................................................. 96
Гиперпараметры............................................................................................................ 98
Итоги............................................................................................................................ 102
Строительные блоки глубоких сетей.............................................................................. 102
Ограниченные машины Больцмана.......................................................................... 103
Автокодировщики....................................................................................................... 108
Вариационные автокодировщики............................................................................. 109
Глава 4. Основные архитектуры глубоких сетей.................................................... 111
Сети, предобученные без учителя.................................................................................. 111
Глубокие сети доверия................................................................................................ 111
Порождающие состязательные сети.......................................................................... 114
Сверточные нейронные сети (СНС)............................................................................... 117
Биологические корни.................................................................................................. 118
Интуитивное описание............................................................................................... 119
Общий взгляд на архитектуру СНС............................................................................ 120
Входной слой............................................................................................................... 121
Пулинговые слои......................................................................................................... 128
Полносвязные слои..................................................................................................... 129
Другие применения СНС............................................................................................ 129
Самые известные СНС................................................................................................ 130
Итоги............................................................................................................................ 130
Рекуррентные нейронные сети...................................................................................... 131
Моделирование времени............................................................................................ 131
Трехмерный вход........................................................................................................ 133
Почему не марковские модели?................................................................................. 135
Общая архитектура рекуррентной нейронной сети................................................. 136
LSTM-сети.................................................................................................................... 136
Предметно-ориентированные приложения и гибридные сети............................... 143
Рекурсивные нейронные сети........................................................................................ 144
Архитектура сети......................................................................................................... 144
Разновидности рекурсивных нейронных сетей....................................................... 145
Применение рекурсивных нейронных сетей............................................................ 145
Итоги и обсуждение........................................................................................................ 145
Приведет ли глубокое обучение к отмиранию всех прочих алгоритмов?.............. 146
Оптимальный метод зависит от задачи.................................................................... 146
Когда мне может понадобиться глубокое обучение?................................................ 147
Глава 5. Построение глубоких сетей.......................................................................... 148
Выбор глубокой сети для решения задачи.................................................................... 148
Табличные данные и многослойные перцептроны.................................................. 148
Изображения и сверточные нейронные сети............................................................ 149
Последовательности, временные ряды и рекуррентные нейронные сети............. 150
Применение гибридных сетей................................................................................... 151
Инструментарий DL4J..................................................................................................... 151
Векторизация и DataVec.............................................................................................. 152
Среды выполнения и ND4J......................................................................................... 152
Основные концепции DL4J API....................................................................................... 153
Загрузка и сохранение моделей................................................................................. 153
Получение входных данных для модели................................................................... 154
Задание архитектуры модели..................................................................................... 154
Обучение и оценивание.............................................................................................. 155
Моделирование CSV-данных с помощью многослойных перцептронов.................... 156
Подготовка входных данных...................................................................................... 158
Задание архитектуры сети.......................................................................................... 159
Обучение модели......................................................................................................... 161
Оценивание модели.................................................................................................... 161
Моделирование рукописных цифр с помощью СНС.................................................... 162
Реализация СНС LeNet на Java.................................................................................... 163
Загрузка и векторизация входных изображений...................................................... 165
Архитектура сети LeNet в DL4J................................................................................... 165
Обучение СНС.............................................................................................................. 168
Моделирование последовательных данных с помощью рекуррентной
нейронной сети............................................................................................................... 169
Порождение текста в стиле Шекспира с помощью LSTM-сети................................ 169
Классификация временных рядов, содержащих показания датчика,
с помощью LSTM-сети................................................................................................ 177
Применение автокодировщиков для обнаружения аномалий.................................... 183
Java-программа автокодировщика............................................................................ 183
Подготовка входных данных...................................................................................... 187
Архитектура и обучение сети автокодировщика...................................................... 187
Оценивание модели.................................................................................................... 188
Использование вариационных автокодировщиков для реконструкции цифр
из набора MNIST.............................................................................................................. 189
Программа реконструкции цифр для набора MNIST............................................... 190
Изучение модели VAE................................................................................................. 192
Применение глубокого обучения в обработке естественного языка........................... 195
Обучение погружениям слов с помощью Word2Vec................................................. 196
Распределенные представления предложений с помощью векторов абзацев....... 201
Применение векторов абзацев для классификации документов............................ 204
Глава 6. Настройка глубоких сетей............................................................................ 209
Основные концепции настройки глубоких сетей......................................................... 209
Интуитивное описание построения глубоких сетей................................................ 209
Преобразование интуитивных представлений в пошаговую процедуру............... 210
Подбор сетевой архитектуры, соответствующей входным данным............................ 211
Итоги............................................................................................................................ 212
Соотнесение назначения модели с выходным слоем................................................... 213
Выходной слой регрессионной модели..................................................................... 213
Выходной слой модели классификации.................................................................... 213
Количество слоев, количество параметров и объем памяти........................................ 216
Многослойные нейронные сети прямого распространения.................................... 216
Управление количеством слоев и параметров.......................................................... 217
Оценка требований к объему памяти........................................................................ 219
Стратегии инициализации весов................................................................................... 220
Ортогональная инициализация весов в РНС................................................................. 221
Выбор функции активации......................................................................................... 221
Сводная таблица функций активации....................................................................... 223
Применение функций потерь......................................................................................... 223
Скорость обучения.......................................................................................................... 225
Использование отношения обновлений к параметрам........................................... 226
Конкретные рекомендации по заданию скорости обучения................................... 227
Как разреженность влияет на обучение......................................................................... 228
Применение методов оптимизации.............................................................................. 229
Рекомендации по применению СГС.......................................................................... 230
Применение распараллеливания и GPU для ускорения обучения.............................. 231
Онлайновое обучение и параллельные итеративные алгоритмы........................... 232
Распараллеливание СГС в DL4J................................................................................... 234
Графические процессоры........................................................................................... 236
Управление периодами и размером мини-пакета....................................................... 237
Компромиссы при определении размера мини-пакета........................................... 238
О применении регуляризации....................................................................................... 239
Априорная функция как регуляризатор.................................................................... 239
Регуляризация по максимальной норме................................................................... 240
Прореживание............................................................................................................. 240
Другие вопросы, связанные с регуляризацией......................................................... 242
Дисбаланс классов........................................................................................................... 242
Методы выборки из классов....................................................................................... 244
Взвешенные функции потерь..................................................................................... 244
Борьба с переобучением................................................................................................. 245
Использование статистики сети из интерфейса настройки........................................ 246
Обнаружение неудачной инициализации весов....................................................... 248
Обнаружение неперемешанных данных................................................................... 249
Обнаружение проблем, относящихся к регуляризации........................................... 251
Глава 7. Настройка глубоких сетей с конкретной архитектурой......................... 253
Сверточные нейронные сети (СНС)............................................................................... 253
Общие архитектурные паттерны сверточных сетей................................................ 254
Конфигурирование сверточных слоев....................................................................... 257
Конфигурирование пулинговых слоев...................................................................... 261
Перенос обучения........................................................................................................ 262
Рекуррентные нейронные сети...................................................................................... 263
Входные данные и входной слой сети....................................................................... 264
Выходные слои и RnnOutputLayer.............................................................................. 264
Обучение сети.............................................................................................................. 265
Отладка типичных проблем в LSTM.......................................................................... 267
Дополнение и маскирование...................................................................................... 267
Применение маскирования для оценивания и скоринга........................................ 268
Варианты архитектуры рекуррентных сетей............................................................ 269
Ограниченные машины Больцмана............................................................................... 269
Скрытые блоки и моделирование доступной информации.................................... 270
Типы блоков................................................................................................................. 271
Регуляризация в ОМБ.................................................................................................. 271
Глубокие сети доверия.................................................................................................... 272
Применение импульса................................................................................................ 272
Применение регуляризации....................................................................................... 273
Задание числа скрытых блоков.................................................................................. 273
Глава 8. Векторизация.................................................................................................. 274
Введение в векторизацию в машинном обучении....................................................... 274
Зачем нужно векторизовать данные?........................................................................ 275
Стратегии обработки табличных исходных данных................................................. 277
Конструирование признаков и методы нормировки............................................... 279
Применение библиотеки DataVec для ETL и векторизации......................................... 285
Векторизация изображений........................................................................................... 286
Представление изображений в DL4J.......................................................................... 286
Нормировка данных изображения с помощью DataVec........................................... 288
Векторизация последовательных данных..................................................................... 289
Основные виды источников последовательных данных......................................... 289
Векторизация последовательных данных с помощью DataVec............................... 290
Векторизация текста....................................................................................................... 294
Мешок слов.................................................................................................................. 295
TF-IDF........................................................................................................................... 296
Сравнение Word2Vec и векторной модели................................................................ 299
Работа с графами............................................................................................................. 300
Глава 9. Глубокое обучение и DL4J на платформе Spark...................................... 301
Введение в использование DL4J совместно с Spark и Hadoop...................................... 301
Запуск Spark из командной строки............................................................................ 303
Конфигурирование и настройка Spark........................................................................... 305
Выполнение Spark в кластере Mesos.......................................................................... 306
Выполнение Spark поверх YARN................................................................................ 307
Общее руководство по настройке Spark.................................................................... 309
Настройка задач DL4J для Spark................................................................................. 311
Подготовка проекта Maven для Spark и DL4J................................................................. 312
Шаблон секции зависимостей в файле pom.xml....................................................... 314
Настройка POM-файла для CDH 5.X........................................................................... 317
Настройка POM-файла для HDP 2.4........................................................................... 317
Отладка Spark и Hadoop.................................................................................................. 318
Типичные проблемы при работе с ND4J.................................................................... 318
Параллельное выполнение DL4J на платформе Spark.................................................. 319
Минимальный пример обучения на платформе Spark............................................. 320
Рекомендации по использованию DL4J API для Spark.................................................. 322
Пример многослойного перцептрона на платформе Spark......................................... 323
Конфигурирование архитектуры МСП для Spark...................................................... 326
Распределенное обучение и оценивание модели..................................................... 327
Создание и выполнение задачи Spark....................................................................... 328
Порождение текстов в стиле Шекспира с помощью Spark и LSTM-сети..................... 328
Конфигурирование архитектуры LSTM-сети............................................................ 330
Обучение, наблюдение за ходом работы и интерпретация результатов................ 331
Моделирование набора MNIST с помощью сверточной нейронной сети
в кластере Spark............................................................................................................... 332
Конфигурирование задачи Spark и загрузка набора данных MNIST....................... 334
Конфигурирование и обучение СНС LeNet............................................................... 335
Приложение А. Что такое искусственный интеллект?........................................... 337
Положение на данный момент....................................................................................... 338
Определение глубокого обучения.............................................................................. 338
Определение искусственного интеллекта................................................................. 338
Зима не за горами............................................................................................................ 345
Приложение В. RL4J и обучение с подкреплением............................................... 347
Введение........................................................................................................................... 347
Марковский процесс принятия решений.................................................................. 347
Терминология.............................................................................................................. 348
Различные варианты....................................................................................................... 349
Безмодельное обучение.............................................................................................. 349
Наблюдаемое состояние............................................................................................. 349
Однопользовательские и состязательные игры........................................................ 349
Q-обучение....................................................................................................................... 350
От политики к нейронным сетям............................................................................... 350
Перебор политик......................................................................................................... 352
Исследование и использование.................................................................................. 355
Уравнение Беллмана................................................................................................... 356
Выборка начальных состояний.................................................................................. 357
Реализация Q-обучения.............................................................................................. 358
Моделирование Q(s,a)................................................................................................. 359
Воспроизведение опыта............................................................................................. 359
Сверточные слои и предварительная обработка изображений............................... 360
Обработка истории...................................................................................................... 361
Двойное Q-обучение................................................................................................... 361
Ограничение................................................................................................................ 362
Масштабирование вознаграждений.......................................................................... 362
Приоритетное воспроизведение................................................................................ 362
График, визуализация и среднее значение Q................................................................ 362
RL4J................................................................................................................................... 365
Заключение...................................................................................................................... 366
Приложение С. Числа, которые должен знать каждый......................................... 367
Приложение D. Нейронные сети и обратное распространение:
математическое описание........................................................................................... 368
Введение........................................................................................................................... 368
Обратное распространение в многослойном перцептроне......................................... 369
Приложение Е. ND4J API.............................................................................................. 372
Дизайн и основы использования................................................................................... 372
Что такое NDArray?...................................................................................................... 373
Общий синтаксис ND4J............................................................................................... 374
Основы работы с массивами NDArray........................................................................ 375
Класс Dataset................................................................................................................ 377
Создание входных векторов........................................................................................... 378
Основы создания векторов......................................................................................... 378
Класс MLLibUtil................................................................................................................ 379
Преобразование INDArray в вектор MLLib................................................................. 379
Преобразование вектора MLLib в INDArray............................................................... 379
Получение предсказаний от модели в DL4J................................................................... 380
Совместное использование DL4J и ND4J................................................................... 380
Приложение F. Библиотека DataVec.......................................................................... 382
Загрузка данных для машинного обучения................................................................... 382
Загрузка CSV-данных для многослойного перцептрона.............................................. 384
Загрузка изображений для сверточной нейронной сети.............................................. 385
Загрузка последовательных данных для рекуррентных нейронных сетей................. 386
Подготовка данных средствами DataVec....................................................................... 387
Преобразования DataVec: основные понятия........................................................... 388
Преобразования DataVec: пример.............................................................................. 389
Приложение G. Работа с DL4J на уровне исходного кода.................................... 391
Проверка, установлен ли Git........................................................................................... 391
Клонирование основных проектов, связанных с DL4J.................................................. 391
Скачивание исходного кода в виде zip-файла............................................................... 392
Сборка библиотеки из исходного кода с помощью Maven........................................... 392
Приложение Н. Подготовка проектов на базе DL4J............................................... 393
Создание нового проекта на базе DL4J.......................................................................... 393
Java................................................................................................................................ 393
Работа с Maven............................................................................................................. 394
Интегрированные среды разработки (IDE)............................................................... 395
Настройка других POM-файлов Maven.......................................................................... 396
ND4J и Maven............................................................................................................... 396
Приложение I. Подготовка проектов на базе DL4J к работе с GPU.................... 397
Переключение библиотек в режим работы с GPU......................................................... 397
Выбор GPU.................................................................................................................... 397
Обучение на системе с несколькими GPU................................................................. 398
CUDA на разных платформах.......................................................................................... 398
Мониторинг производительности GPU......................................................................... 399
Приложение J. Отладка проблем с установкой DL4J............................................. 400
Предыдущая установка................................................................................................... 400
Ошибки нехватки памяти при сборке из исходного кода............................................ 400
Старые версии Maven...................................................................................................... 400
Maven и переменная среды PATH................................................................................... 400
Недопустимые версии JDK.............................................................................................. 401
C++ и другие средства разработки.................................................................................. 401
Windows и путь к включаемым файлам......................................................................... 401
Мониторинг GPU.............................................................................................................. 401
Использование JVisualVM............................................................................................... 401
Работа с Clojure................................................................................................................ 402
Поддержка чисел с плавающей точкой в OS X............................................................... 402
Ошибка разветвления-соединения в Java 7................................................................... 402
Предостережения............................................................................................................. 402
Клонирование других репозиториев......................................................................... 402
Проверьте зависимости Maven................................................................................... 403
Переустановка зависимостей..................................................................................... 403
Если ничего не помогает............................................................................................ 403
Различные платформы.................................................................................................... 403
OS X.............................................................................................................................. 403
Windows........................................................................................................................ 403
Linux............................................................................................................................. 404
Предметный указатель................................................................................................ 405
Об авторах...................................................................................................................... 416
Об иллюстрации на обложке...................................................................................... 417

С этой книгой чаще всего покупают:
Глубокое обучение

Глубокое обучение

Гудфеллоу Я., Бенджио И., Курвилль А.
Год выпуска: 2018
Изд-во: ДМК
в корзину
На 1 книгу
 
Глубокое обучение. Погружение в мир нейронных сетей

Глубокое обучение. Погружение в мир нейронных сетей

рекомендуем
Николенко С. И., Кадурин А. А., Архангельская Е. О.
Год выпуска: 2018
Изд-во: Питер
в корзину
На 1 книгу
Цена: 2474.00 грн. 
 
Цена: 605.00 грн. 

Хотите оставить отзыв? У Вас возникли вопросы о книге "Глубокое обучение с точки зрения практика, Паттерсон Дж., Гибсон А." ? Пишите:

* Текст сообщения:
 
  Отправить
Поиск по каталогу
 поиск в аннотациях
Искать

Наші партнери:

Купить лодку РИБ  |  купить мотор Тохатсу  |  купить снаряжение JOBE Джоби  |  купить гидрокостюм  |  стеклопластик B2B  |  купить гребную лодку  |  ремонт катера  |  купить катер РИБ  |  купить лодку из стеклопластика  |  купить спасательный жилет  |  купить мотор Tohatsu  |  купить JOBE Джоби  |  купить лодочный мотор  | 

 * Подробнее об условиях доставки смотрите в разделе "Оплата и Доставка" нашего магазина.
Если у Вас возникли вопросы как подобрать и купить книги в нашем интернет-магазине звоните с 10 до 18 по будним дням: Водафон (050) 809-56-66, Киевстар (067) 408-26-36 или пишите нам

 
   
  Programming - Dmitriy Kotov & Andrey Kotov