Uczenie maszynowe
Uczenie maszynowe (ang. machine learning) zajmuje się teorią i praktycznym zastosowaniem algorytmów analizujących dane — stanowi najciekawszą dziedzinę informatyki. Żyjemy w czasach przetwarzania olbrzymiej ilości informacji; za pomocą samouczących się algorytmów będących częścią uczenia maszynowego informacje te są przekształcane w rzeczywistą wiedzę. Dzięki licznym i potężnym bibliotekom o jawnym kodzie źródłowym, które powstały w ostatnich latach, prawdopodobnie teraz jest najlepszy czas, aby zainteresować się uczeniem maszynowym i nauczyć się wykorzystywać potężne algorytmy do wykrywania wzorców w przetwarzanych danych oraz prognozować przyszłe zdarzenia. Przykładami zastosowania Machine Learning są np. mechanizmy wyszukiwarek internetowych, GPS, autokorekta w edytorze tekstu czy boty w komunikatorach. Jedną z dziedzin uczenia maszynowego jest deep learning, podczas którego komputer uczy się procesów naturalnych dla ludzkiego mózgu (tworzy sieci neuronowe). Technologia ta jest wykorzystywana np. przy identyfikacji głosu i obrazów.
Josh Kalin
Developing Generative Adversarial Networks (GANs) is a complex task, and it is often hard to find code that is easy to understand.This book leads you through eight different examples of modern GAN implementations, including CycleGAN, simGAN, DCGAN, and 2D image to 3D model generation. Each chapter contains useful recipes to build on a common architecture in Python, TensorFlow and Keras to explore increasingly difficult GAN architectures in an easy-to-read format. The book starts by covering the different types of GAN architecture to help you understand how the model works. This book also contains intuitive recipes to help you work with use cases involving DCGAN, Pix2Pix, and so on. To understand these complex applications, you will take different real-world data sets and put them to use.By the end of this book, you will be equipped to deal with the challenges and issues that you may face while working with GAN models, thanks to easy-to-follow code solutions that you can implement right away.
Kailash Ahirwar
Generative Adversarial Networks (GANs) have the potential to build next-generation models, as they can mimic any distribution of data. Major research and development work is being undertaken in this field since it is one of the rapidly growing areas of machine learning. This book will test unsupervised techniques for training neural networks as you build seven end-to-end projects in the GAN domain.Generative Adversarial Network Projects begins by covering the concepts, tools, and libraries that you will use to build efficient projects. You will also use a variety of datasets for the different projects covered in the book. The level of complexity of the operations required increases with every chapter, helping you get to grips with using GANs. You will cover popular approaches such as 3D-GAN, DCGAN, StackGAN, and CycleGAN, and you’ll gain an understanding of the architecture and functioning of generative models through their practical implementation.By the end of this book, you will be ready to build, train, and optimize your own end-to-end GAN models at work or in your own projects.
Generatywne głębokie uczenie, wyd. II. Uczenie maszyn, jak malować, pisać, komponować i grać
David Foster
Generatywna sztuczna inteligencja (AI) jest dziś gorącym tematem w dziedzinie techniki. Ta praktyczna książka pokazuje inżynierom uczenia się maszyn, jak wykorzystywać TensorFlow i Keras, aby od zera tworzyć robiące wrażenie generatywne modele głębokiego uczenia, w tym wariacyjne autokodowanie (VAE), generatywne sieci przeciwstawne (GAN), transformery, przepływy normalizacyjne, modele oparte na energii i dyfuzyjne modele odszumiające. Książka zaczyna się od podstaw głębokiego uczenia i prowadzi do nowatorskich architektur. Dzięki wskazówkom i sztuczkom zrozumiesz, jak sprawić, aby nasze modele uczyły się bardziej skutecznie i stawały się bardziej kreatywne. - Dowiedz się, jak VAE pozwala zmienić wyraz twarzy na zdjęciu. - Naucz GAN generowania obrazów na podstawie własnego zbioru danych. - Zbuduj modele dyfuzyjne do tworzenia nowych odmian kwiatów. - Wyszkol swój własny GPT, aby generował tekst. - Dowiedz się jak są szkolone duże modele językowe jak ChatGPT. - Przeanalizuj najnowocześniejsze architektury jak StyleGAN2 i ViT-VQGAN - Skomponuj muzykę polifoniczną wykorzystując transformery i MuseGAN - Zrozum jak generatywne modele świata mogą rozwiązać zadania uczenia przez wzmacnianie. - Zanurz się w multimodalnych modelach jak DALL.E 2, Imagen i Stable Diffusion Książka ta analizuje także przyszłą generacyjną sztuczną inteligencję i sposób, w jaki ludzie i firmy mogą proaktywnie zacząć wykorzystywać tę niezwykłą nową technikę, aby zyskiwać przewagę konkurencyjną. "Generatywne głębokie uczenie to dostępne wprowadzenie do narzędzi głębokiego uczenia dla celów modelowania generatywnego. Jeśli jesteście kreatywnymi praktykami, kochającymi bawić się kodem i chcecie zastosować głębokie uczenie w swojej pracy, ta książka jest dla was." -David Ha Szef strategii, Stability AT "Doskonała książka, która zagłębia się wprost w podstawowe technik stanowiące aktualną wiedzę o generacyjnym głębokim nauczaniu. Jest to ekscytująca analiza jednej z najbardziej fascynujących dziedzin w ramach sztucznej inteligencji!" -Francois Chollet Twórca Keras
Michael Hsieh
Amazon SageMaker Studio is the first integrated development environment (IDE) for machine learning (ML) and is designed to integrate ML workflows: data preparation, feature engineering, statistical bias detection, automated machine learning (AutoML), training, hosting, ML explainability, monitoring, and MLOps in one environment.In this book, you'll start by exploring the features available in Amazon SageMaker Studio to analyze data, develop ML models, and productionize models to meet your goals. As you progress, you will learn how these features work together to address common challenges when building ML models in production. After that, you'll understand how to effectively scale and operationalize the ML life cycle using SageMaker Studio.By the end of this book, you'll have learned ML best practices regarding Amazon SageMaker Studio, as well as being able to improve productivity in the ML development life cycle and build and deploy models easily for your ML use cases.
Tyler Richards
Streamlit shortens the development time for the creation of data-focused web applications, allowing data scientists to create web app prototypes using Python in hours instead of days. Getting Started with Streamlit for Data Science takes a hands-on approach to helping you learn the tips and tricks that will have you up and running with Streamlit in no time.You'll start with the fundamentals of Streamlit by creating a basic app and gradually build on the foundation by producing high-quality graphics with data visualization and testing machine learning models. As you advance through the chapters, you’ll walk through practical examples of both personal data projects and work-related data-focused web applications, and get to grips with more challenging topics such as using Streamlit Components, beautifying your apps, and quick deployment of your new apps.By the end of this book, you’ll be able to create dynamic web apps in Streamlit quickly and effortlessly using the power of Python.
Maxim Lapan
Głębokie uczenie przez wzmacnianie rozwija się bardzo dynamicznie. Dziedzinę tę charakteryzuje niewyczerpany potencjał rozwiązywania trudnych problemów. Zajmuje się tym co najmniej kilka grup badawczych, koncentrujących się na wdrażaniu głębokiego uczenia przez wzmacnianie w różnych branżach. Niestety, opisy najnowszych osiągnięć są trudne do zrozumienia i zbyt abstrakcyjne, aby można było je łatwo zastosować w praktycznych implementacjach, a przecież poprawne działanie aplikacji jest uwarunkowane gruntownym zrozumieniem problemu przez projektanta. To zaktualizowane i rozszerzone wydanie bestsellerowego przewodnika po najnowszych narzędziach i metodach związanych z uczeniem przez wzmacnianie. Zawiera wprowadzenie do teorii uczenia przez wzmacnianie, a także wyjaśnia praktyczne sposoby kodowania samouczących się agentów w celu rozwiązywania praktycznych zadań. W tym wydaniu dodano sześć nowych rozdziałów poświęconych takim osiągnięciom technologii jak dyskretna optymalizacja, metody wieloagentowe, środowisko Microsoft TextWorld czy zaawansowane techniki eksploracji. Opisano również inne zagadnienia, między innymi głębokie sieci Q, gradienty polityk, sterowanie ciągłe i wysoce skalowalne metody bezgradientowe. Poszczególne kwestie zostały zilustrowane kodem wraz z opisem szczegółów implementacji. W książce między innymi: związki między uczeniem przez wzmacnianie a głębokim uczeniem różne metody uczenia przez wzmacnianie, w tym entropia krzyżowa, sieć DQN, a także algorytmy: aktor-krytyk, TRPO, PPO, DDPG, D4PG i inne praktyczne zastosowanie dyskretnej optymalizacji w celu rozwiązania problemu kostki Rubika trenowanie agentów przy użyciu oprogramowania AlphaGo Zero chatboty oparte na sztucznej inteligencji zaawansowane techniki eksploracyjne, w tym metody destylacji sieci Witaj, świecie prawdziwej sztucznej inteligencji!
Głębokie uczenie. Wprowadzenie
Jacek Tabor, Marek Śmieja, Łukasz Struski, Przemysław...
Opanuj podstawy uczenia maszynowego Od mniej więcej piętnastu lat jesteśmy świadkami rewolucji w nauczaniu maszynowym na niesamowitą skalę. Rewolucji tej sprzyja intensywny rozwój głębokich sieci neuronowych oraz niezbędnego do tego sprzętu obliczeniowego, takiego jak karty graficzne. "Deep learning", "machine learning" - te słowa klucze rozpalają wyobraźnię programistów, innowatorów i przedstawicieli przemysłu na całym świecie. Także studentów kierunków politechnicznych. Na świecie wydaje się sporo literatury poświęconej tym zagadnieniom, w Polsce niestety mamy pod tym względem deficyt. Niniejszy podręcznik, pomyślany jako wprowadzenie do tematu uczenia głębokiego, ma z założenia uzupełnić tę lukę. W związku z tym opracowany został w sposób umożliwiający zrozumienie zawartych w nim treści także osobom, które nie zetknęły się dotąd nawet z klasycznymi metodami nauczania maszynowego. Stąd sporo miejsca autorzy poświęcają podstawowym konceptom klastrowania, klasyfikacji oraz regresji. Druga połowa książki przybliża głębokie odpowiedniki modeli klasycznych - z naciskiem na objaśnienie podstawowych pojęć i ich intuicji. Ponieważ dla pełnego zrozumienia modeli niezbędne jest ich zaimplementowanie, integralną część książki stanowi kod, dostępny dla czytelnika na platformie GITHUB.
Głębokie uczenie z TensorFlow. Od regresji liniowej po uczenie przez wzmacnianie
Bharath Ramsundar, Reza Bosagh Zadeh
Uczenie maszynowe jest coraz powszechniejsze. Niemal każdego dnia stykamy się z tego rodzaju oprogramowaniem, a możliwości tworzonych systemów stale rosną. Zdobycie praktycznych umiejętności w zakresie budowy i treningu sieci neuronowych staje się dla profesjonalnych programistów koniecznością. Spośród wielu narzędzi służących do tworzenia systemów uczenia maszynowego warto zwrócić uwagę na TensorFlow - nową biblioteką udostępnioną przez Google, przeznaczoną do projektowania i wdrażania zaawansowanych architektur uczenia głębokiego. Bez wątpienia jest to narzędzie, które pozwala na wykonywanie zadań znacznie wykraczających poza standardowy zakres uczenia maszynowego. Ta książka jest przeznaczona dla praktyków, przede wszystkim programistów, architektów i naukowców, którzy chcą się nauczyć projektowania systemów uczących. Podstawowe pojęcia dotyczące uczenia maszynowego wyjaśniono tu poprzez praktyczne przykłady. Przedstawiono możliwości TensorFlow jako systemu do przeprowadzania obliczeń na tensorach. Omówiono zastosowania tej biblioteki w wielu bardzo różnych dziedzinach: do budowy systemów służących do rozpoznawania obrazów, rozumienia tekstu napisanego ręcznie przez człowieka czy przewidywania właściwości potencjalnych leków. Dzięki tej książce można bez trudu zrozumieć matematyczne podstawy systemów uczenia maszynowego, a następnie wykorzystać je podczas tworzenia profesjonalnych sieci neuronowych. W tej książce między innymi: podstawy uczenia maszynowego i rozpoczęcie pracy z TensorFlow budowa prototypów i modeli z optymalizacją hiperparametrów przetwarzanie obrazów w splotowych sieciach neuronowych obsługa zbiorów danych języka naturalnego trenowanie sieci za pomocą procesorów graficznych i procesorów tensorowych TensorFlow: trenuj sieć profesjonalnie!