Глибоке навчання для чайників

- Чому глибоке навчання є настільки важливою технологією
- Експерименти з глибоким навчанням в середовищі мови Python
- Приклади основних типів додатків глибокого навчання

Глибоке навчання надає засоби для виявлення шаблонів даних, що лежать в основі онлайнових операцій, медицині, дослідженнях, соціальних мережах і в багатьох елементах повсякденному житті.
У книзі "Глибоке навчання для чайників" надана вся інформація, необхідна для усунення загадковості цієї теми, а також описані всі основні технології, пов'язані з нею. Незабаром ви зможете розібратися в досить заплутаних алгоритмах і знайдете просту і безпечне середовище для експериментів з глибоким навчанням.

У книзі "Глибоке навчання для чайників":
- Створення прикладів з використанням TensorFlow і Keras
- Практичні заняття, спрощують навчання
- Правильні інструменти, що дозволяють застосовувати глибоке навчання ефективніше
- Сенс складних алгоритмів

Про авторів:
Джон Пол Мюллер — автор понад 100 книг, включаючи Штучний інтелект для чайників, Python і наука про даних для чайників, Machine Learning for Dummies та Алгоритми для чайників.
Лука Массарон — аналітик даних, интерпретирующий великі дані і перетворює їх в інтелектуальні дані з допомогою самих простих і ефективних методів інтелектуального аналізу даних і машинного навчання. Є експертом Google Developer Expert (GDE) в області машинного навчання.


Зміст книги "Глибоке навчання для чайників"



Введення 18
Частина 1. Поява глибокого навчання 25
Розділ 1. Введення в глибоке навчання 27
Розділ 2. Знайомство з принципами машинного навчання 45
Розділ 3. Отримання і використання мови Python 69
Розділ 4. Використання інфраструктури глибокого навчання 99
Частина 2. Основи лубокого навчання 119
Розділ 5. Огляд матричної математики та оптимізації 121
Глава 6. Основи лінійної регресії 141
Глава 7. Введення в нейронні мережі 163
Глава 8. Побудова простої нейронної мережі 183
Глава 9. Перехід до глибокого навчання 197
Глава 10. Згорткові нейронні мережі 215
Глава 11. Введення в рекурентні нейронні мережі 239
Частина 3. Взаємодія з глибоким навчанням 255
Глава 12. Класифікація зображень 257
Глава 13. Передові CNN 275
Глава 14. Обробка текстів на природній мові 295
Глава 15. Створення творів образотворчого мистецтва і музики 315
Глава 16. Побудова генеративно-змагальних мереж 327
Глава 17. Глибоке навчання з підкріпленням 341
Частина 4. Чудові десятки 357
Глава 18. Десять додатків, що вимагають глибокого навчання 359
Глава 19. Десять інструментів глибокого навчання 369
Глава 20. Десять професій, які використовують глибоке навчання 379