Глубокое обучение для начинающих: руководство для начинающих по освоению глубокого обучения с нуля с использованием Python на русском

Реализация моделей глубокого обучения (DL) с учителем, без учителя и генеративных моделей с использованием Keras и Dopamine на TensorFlow.

Основные характеристики

• Разберитесь в основных концепциях машинного обучения, полезных в глубоком обучении.
• Изучите базовые математические концепты, создавая модели глубокого обучения с нуля.
• Изучите простые для понимания примеры и варианты использования, которые помогут вам заложить прочную основу в области глубокого обучения.

Описание книги

В условиях экспоненциального роста объема информации в интернете стало сложнее, чем когда-либо, ориентироваться во всем этом и находить надежный контент, который поможет вам начать работу с глубоким обучением. Эта книга предназначена для начинающих, желающих работать с глубоким обучением и создавать модели глубокого обучения с нуля, и обладающих базовыми математическими и программистскими знаниями, необходимыми для начала работы.

Книга начинается с базового обзора машинного обучения, знакомя вас с настройкой популярных фреймворков Python. Вы также поймете, как подготовить данные, очистив и предварительно обработав их для глубокого обучения, и постепенно перейдете к изучению нейронных сетей. Специальный раздел даст вам представление о работе нейронных сетей, помогая вам на практике обучать одиночные и многослойные нейроны. Далее вы изучите популярные архитектуры нейронных сетей, такие как CNN, RNN, AE, VAE и GAN, с помощью простых примеров и научитесь создавать модели с нуля. В конце каждой главы вы найдете раздел вопросов и ответов, чтобы проверить свои знания, полученные в ходе изучения книги.

К концу чтения этой книги вы будете хорошо знакомы с концепциями глубокого обучения и получите знания, необходимые для использования конкретных алгоритмов с различными инструментами для решения разных задач.

Что вы узнаете

• Реализация рекуррентных нейронных сетей (RNN) и долговременной кратковременной памяти (LSTM) для задач классификации изображений и обработки естественного языка.
• Изучите роль сверточных нейронных сетей (CNN) в компьютерном зрении и обработке сигналов.
• Узнайте об этических последствиях моделирования в глубоком обучении.
• Разберитесь в математической терминологии, связанной с глубоким обучением.
• Напишите генеративно-состязательную сеть (GAN) и вариационный автокодировщик (VAE) для генерации изображений из изученного латентного пространства.
• Внедрить методы визуализации для сравнения AE и VAE.

Для кого предназначена эта книга?

Эта книга предназначена для начинающих специалистов по анализу данных и инженеров глубокого обучения, которые хотят освоить основы глубокого обучения и нейронных сетей. Хотя предварительные знания в области глубокого обучения или машинного обучения не требуются, для начала работы необходимо знакомство с линейной алгеброй и программированием на Python.

Оглавление

1. Введение в машинное обучение
2. Настройка и введение в фреймворки глубокого обучения
3. Подготовка данных
4. Обучение на основе данных
5. Обучение отдельного нейрона
6. Обучение нескольких слоев нейронов
7. Автокодировщики
8. Глубокие автокодировщики
9. Вариационные автокодировщики
10. Ограниченные машины Больцмана
11. Глубокие и широкие нейронные сети
12. Сверточные нейронные сети
13. Рекуррентные нейронные сети
14. Генеративные состязательные сети
15. Заключительные замечания о будущем глубокого обучения