Глибоке навчання. Вступ

Jacek Tabor, Marek Śmieja, Łukasz Struski, Przemysław Spurek, Maciej Wołczyk

Опануйте основи машинного навчання

Від Близько п’ятнадцяти років тому ми стали свідками революції в машинному навчанні неймовірного масштабу. Ця революція підтримується інтенсивним розвитком глибоких нейронних мереж і необхідного обчислювального обладнання, такого як відеокарти. «Глибоке навчання», «машинне навчання» - ці ключові слова запалюють уяву програмістів, інноваторів і представників індустрії в усьому світі. Також студенти політехнічних факультетів. У світі є багато літератури, присвяченої цим питанням, але в Польщі, на жаль, маємо дефіцит цього питання.

Цей підручник, створений як вступ до теми глибинного навчання, призначений для заповнити цю прогалину. Тому його розроблено таким чином, щоб його зміст могли зрозуміти також люди, які ще не стикалися навіть з класичними методами машинного навчання. Тому автори приділяють багато місця основним поняттям кластеризації, класифікації та регресії. У другій половині книги досліджуються глибокі паралелі класичних моделей - з наголосом на поясненні основних концепцій та їх інтуїції. Оскільки їх реалізація необхідна для повного розуміння моделей, невід’ємною частиною книги є код, доступний читачеві на платформі GITHUB.

Зміст:

Розділ 1. Вступ

Розділ 2. Вступ до машинного навчання

• 2.1. Аналіз моделі та функція витрат
• 2.2. Мінімізація функції витрат

Розділ 3. Неконтрольоване навчання

• 3.1. Кластеризація: kmeans
• 3.2. Зменшення розмірності: PCA
• 3.3. Оцінка щільності

Розділ 4. Контрольоване навчання: регресія

• 4.1. Лінійна регресія
• 4.2. Занурення
• 4.3. Контрольована модель оцінювання

Розділ 5. Контрольоване навчання: класифікація

• 5.1. Ознайомлення з класифікацією
• 5.2. Бінарна класифікація: SVM
• 5.3. Мультикласова класифікація: логістична регресія
• 5.4. Оцінка моделі класифікації
• 5.5. Класифікація дисбалансу
• 5.6. Побудова функцій вартості в задачах регресії

Розділ 6. Методи ядра

• 6.1. Вступ до методів ядра
• 6.2. Практичне використання ядерних методів
• 6.3. Порівняння вибірок і розподілів: MMD

Розділ 7. Вступ до нейронних мереж

• 7.1. Побудова нейронних мереж
• 7.2. Нелінійна класифікація: геометричний вигляд
• 7.3. Навчання нейронної мережі на прикладі регресії
• 7.4. Теорія та практика нейронних мереж

Розділ 8. Навчання нейронних мереж

• 8.1. Проблема класифікації
• 8.2. Оптимізація методом градієнтного спуску
• 8.3. Адам Оптимізатор
• 8.4. Регулярізація та збільшення
• 8.5. Моя нейронна мережа не працює: посібник

Розділ 9. Вступ до згорткових мереж

• 9.1. Обробка зображень з використанням повністю підключених мереж
• 9.2. Згорткові фільтри
• 9.3. Згорткові мережі

Розділ 10. Згорткові мережі на практиці

• 10.1. Початки згорткових мереж
• 10.2. Методи регулярізації
• 10.3. Залишкові підключення: ResNet
• 10.4. Вибрані архітектури CNN
• 10.5. Тонка настройка: налаштування моделі для нових завдань
• 10.6. Сегментація зображення: UNet

Розділ 11. Глибокі неконтрольовані моделі

• 11.1. Неконтрольоване представлення даних
• 11.2. Генеративні моделі