Глубокое обучение. Введение

Яцек Табор, Марек Смея, Лукаш Струски, Пшемыслав Шпурек, Мацей Волчик

Освойте основы машинного обучения

Из около пятнадцати лет назад мы стали свидетелями революции в машинном обучении невероятного масштаба. Эта революция поддерживается интенсивным развитием глубоких нейронных сетей и необходимого вычислительного оборудования, такого как видеокарты. «Глубокое обучение», «машинное обучение» — эти ключевые слова разжигают воображение программистов, новаторов и представителей индустрии по всему миру. Также студенты политехнических факультетов. Во всем мире существует много литературы, посвященной этим вопросам, но в Польше, к сожалению, мы испытываем дефицит в этом отношении.

Этот учебник, задуманный как введение в тему глубокого обучения, предназначен для восполнить этот пробел. Поэтому он разработан таким образом, чтобы понять его содержание смогут даже люди, которые еще не сталкивались даже с классическими методами машинного обучения. Поэтому авторы уделяют много места базовым понятиям кластеризации, классификации и регрессии. Вторая половина книги исследует глубокие параллели классических моделей с упором на объяснение основных концепций и их интуиции. Поскольку их реализация необходима для полного понимания моделей, неотъемлемой частью книги является код, доступный читателю на платформе GITHUB.

Оглавление:

Глава 1. Введение

Глава 2. Введение в машинное обучение

• 2.1. Анализ модели и функция стоимости
• 2.2. Минимизация функции стоимости

Глава 3. Обучение без учителя

• 3.1. Кластеризация: kmeans
• 3.2. Уменьшение размерности: PCA
• 3.3. Оценка плотности

Глава 4. Обучение с учителем: регрессия

• 4.1. Линейная регрессия
• 4.2. Погружение
• 4.3. Оценка модели с учителем

Глава 5. Обучение с учителем: классификация

• 5.1. Введение в классификацию
• 5.2. Бинарная классификация: SVM
• 5.3. Мультиклассовая классификация: логистическая регрессия
• 5.4. Оценка классификационной модели
• 5.5. Классификация дисбаланса
• 5.6. Построение функций стоимости в задачах регрессии

Глава 6. Ядерные методы

• 6.1. Введение в методы ядра
• 6.2. Практическое использование ядерных методов
• 6.3. Сравнение выборок и распределений: MMD

Глава 7. Введение в нейронные сети

• 7.1. Построение нейронных сетей
• 7.2. Нелинейная классификация: геометрический вид
• 7.3. Обучение нейронной сети на примере регрессии
• 7.4. Теория и практика в нейронных сетях

Глава 8. Обучение нейронных сетей

• 8.1. Задача классификации
• 8.2. Оптимизация методом градиентного спуска
• 8.3. Адам Оптимизатор
• 8.4. Регуляризация и дополнения
• 8.5. Моя нейронная сеть не работает: инструкция

Глава 9. Введение в сверточные сети

• 9.1. Обработка изображений с использованием полносвязных сетей
• 9.2. Сверточные фильтры
• 9.3. Сверточные сети

Глава 10. Сверточные сети на практике

• 10.1. Начало сверточных сетей
• 10.2. Методы регуляризации
• 10.3. Остаточные соединения: ResNet
• 10.4. Избранные архитектуры CNN
• 10.5. Тонкая настройка: настройка модели под новые задачи
• 10.6. Сегментация изображений: UNet

Глава 11. Глубокие неконтролируемые модели

• 11.1. Неконтролируемое представление данных
• 11.2. Генеративные модели