Глубокое обучение с точки зрения практика
Категория: Программирование | автор: Gunpowder | Просмотров: +271
Глубокое обучение с точки зрения практика — Все, что должен знать разработчик-практик, чтобы приступить к применению глубокого обучения для решения реальных задач!
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? Эта книга 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.
Интерес к машинному обучению резко возрос в последние десять лет. Машинное обучение включают в программы факультетов информатики, по нему проводят конференции, а в заголовках «Wall Street Journal» оно встречается чуть ли не ежедневно. Говоря о машинном обучении, многие путают два вопроса: что оно действительно может и чего от него хотели бы. По большому счету, машинное обучение – это применение алгоритмов, которые извлекают информацию из исходных данных и представляют ее в виде той или иной модели. Эта модель используется, чтобы вывести другие данные, которые в модели отсутствуют.
Нейронные сети – один из типов моделей машинного обучения, они существуют уже по меньшей мере 50 лет. Фундаментальной единицей нейронной сети является блок, или узел, – приблизительный аналог биологического нейрона в мозге млекопитающих. Модель связей между нейронами также основана на работе биологического мозга, равно как и эволюция связей с течением времени (в результате «обучения»).
Мы организовали материал именно таким образом, потому что ощущали потребность в книге, которая содержала бы «достаточно теории» и вместе с тем была бы достаточно практичной для построения процессов глубокого обучения производственного уровня. Мы полагаем, что выбранный гибридный подход хорошо отвечает поставленной цели.
Издание предназначено для специалистов по анализу данных, находящихся в поисках более широкого и практического понимания принципов глубокого обучения.
Название: Глубокое обучение с точки зрения практика
Автор: Адам Гибсон, Джош Паттерсон
Издательство: ДМК Пресс
Год: 2018
Страниц: 419
Формат: PDF
Глубокое обучение с точки зрения практика — Все, что должен знать разработчик-практик, чтобы приступить к применению глубокого обучения для решения реальных задач!
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? Эта книга 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.
Интерес к машинному обучению резко возрос в последние десять лет. Машинное обучение включают в программы факультетов информатики, по нему проводят конференции, а в заголовках «Wall Street Journal» оно встречается чуть ли не ежедневно. Говоря о машинном обучении, многие путают два вопроса: что оно действительно может и чего от него хотели бы. По большому счету, машинное обучение – это применение алгоритмов, которые извлекают информацию из исходных данных и представляют ее в виде той или иной модели. Эта модель используется, чтобы вывести другие данные, которые в модели отсутствуют.
Нейронные сети – один из типов моделей машинного обучения, они существуют уже по меньшей мере 50 лет. Фундаментальной единицей нейронной сети является блок, или узел, – приблизительный аналог биологического нейрона в мозге млекопитающих. Модель связей между нейронами также основана на работе биологического мозга, равно как и эволюция связей с течением времени (в результате «обучения»).
Мы организовали материал именно таким образом, потому что ощущали потребность в книге, которая содержала бы «достаточно теории» и вместе с тем была бы достаточно практичной для построения процессов глубокого обучения производственного уровня. Мы полагаем, что выбранный гибридный подход хорошо отвечает поставленной цели.
Издание предназначено для специалистов по анализу данных, находящихся в поисках более широкого и практического понимания принципов глубокого обучения.
Название: Глубокое обучение с точки зрения практика
Автор: Адам Гибсон, Джош Паттерсон
Издательство: ДМК Пресс
Год: 2018
Страниц: 419
Формат: PDF
Смотрите также:
