Глубокое обучение для чайников

- Почему глубокое обучение является столь важной технологией
- Эксперименты с глубоким обучением в среде языка Python
- Примеры основных типов приложений глубокого обучения

Глубокое обучение предоставляет средства для выявления шаблонов в данных, лежащих в основе онлайновых операций, медицине, исследованиях, социальных сетях и во многих элементах повседневной жизни.
В книге "Глубокое обучение для чайников" предоставлена вся информация, необходимая для устранения загадочности этой темы, а также описаны все основные технологии, связанные с ней. Вскоре вы сможете разобраться в весьма запутанных алгоритмах и найдете простую и безопасную среду для экспериментов с глубоким обучением.

В книге "Глубокое обучение для чайников":
- Создание примеров с использованием TensorFlow и Keras
- Практические занятия, упрощающие обучение
- Правильные инструменты, позволяющие применять глубокое обучение эффективней
- Смысл сложных алгоритмов

Об авторах:
Джон Пол Мюллер — автор более 100 книг, включая Искусственный интеллект для чайников, Python и наука о данных для чайников, Machine Learning for Dummies и Алгоритмы для чайников.
Лука Массарон — аналитик данных, интерпретирующий большие данные и превращающий их в интеллектуальные данные с помощью самых простых и эффективных методов интеллектуального анализа данных и машинного обучения. Является экспертом Google Developer Expert (GDE) в области машинного обучения.


Оглавление книги "Глубокое обучение для чайников"



Введение 18
Часть 1. Появление глубокого обучения 25
Глава 1. Введение в глубокое обучение 27
Глава 2. Знакомство с принципами машинного обучения 45
Глава 3. Получение и использование языка Python 69
Глава 4. Использование инфраструктуры глубокого обучения 99
Часть 2. Основы лубокого обучения 119
Глава 5. Обзор матричной математики и оптимизации 121
Глава 6. Основы линейной регрессии 141
Глава 7. Введение в нейронные сети 163
Глава 8. Построение простой нейронной сети 183
Глава 9. Переход к глубокому обучению 197
Глава 10. Сверточные нейронные сети 215
Глава 11. Введение в рекуррентные нейронные сети 239
Часть 3. Взаимодействие с глубоким обучением 255
Глава 12. Классификация изображений 257
Глава 13. Передовые CNN 275
Глава 14. Обработка текстов на естественном языке 295
Глава 15. Создание произведений изобразительного искусства и музыки 315
Глава 16. Построение генеративно-состязательных сетей 327
Глава 17. Глубокое обучение с подкреплением 341
Часть 4. Великолепные десятки 357
Глава 18. Десять приложений, требующих глубокого обучения 359
Глава 19. Десять инструментов глубокого обучения 369
Глава 20. Десять профессий, использующих глубокое обучение 379