Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona

Deep learning przyciąga uwagę wielu inżynierów i praktyków, budząc jednocześnie pewne obawy. Chociaż systemy oparte na uczeniu maszynowym wykorzystywane są w różnych dziedzinach, nadal są często postrzegane jako enigmatyczne. Szczególnie w przypadku sieci neuronowych nie zawsze wiadomo, jakie wzorce model rzeczywiście przyswaja. Możemy jedynie ocenić, czy skutecznie wykonuje swoje zadania. Mechanizm funkcjonowania algorytmów uczenia głębokiego wydaje się wręcz magiczny, co sprawia, że warto zgłębić fakty i zrozumieć, czym rzeczywiście jest uczenie maszynowe, a w szczególności uczenie głębokie.

Niniejsza książka stanowi przejrzysty przewodnik po świecie uczenia maszynowego. Do pełnego zrozumienia jej treści wystarczy podstawowa znajomość programowania oraz matematyki na poziomie średnim. Autorzy wyjaśniają kluczowe pojęcia oraz mechanizmy, które kształtują uczenie głębokie. Dzięki tej lekturze odkryjesz, czym powinien charakteryzować się dobry zbiór danych do nauki, jak oceniać efektywność modelu oraz jak stosować popularne modele, takie jak k-najbliżsi sąsiedzi, lasy losowe czy maszyny wektorów nośnych. Szczególna uwaga została poświęcona sieciom neuronowym, ich działaniu oraz technikom szkolenia. Choć w książce nie znajdziesz gotowych rozwiązań, zdobędziesz niezbędną wiedzę, aby samodzielnie stworzyć działający model uczenia głębokiego.

Wśród poruszanych tematów znajdziesz m.in.:

- tworzenie wartościowego zbioru danych do nauki
- wykorzystanie bibliotek scikit-learn i Keras
- klasyczne modele uczenia maszynowego
- zasady funkcjonowania sieci neuronowych
- modele oparte na splotowych sieciach neuronowych
- projektowanie modelu od podstaw

Uczenie głębokie: zanurz się w tworzenie swojego pierwszego modelu!