O autorach 11

O recenzentach 13

Wstęp 15

Rozdział 1. TensorFlow i uczenie maszynowe 19

• Czym jest TensorFlow? 20
• Rdzeń TensorFlow 20
  • Tensory 20
  • Stałe 22
  • Operacje 23
  • Węzły zastępcze 23
  • Tensory z obiektów Pythona 24
  • Zmienne 26
  • Tensory generowane z funkcji bibliotecznych 28
  • Uzyskiwanie zmiennych za pomocą tf.get_variable() 28
• Graf obliczeniowy 29
  • Kolejność wykonywania i wczytywanie z opóźnieniem 30
  • Wykonywanie grafów na wielu urządzeniach obliczeniowych - CPU i GPGPU 31
  • Wiele grafów 35
• Uczenie maszynowe, klasyfikacja i regresja logistyczna 35
  • Uczenie maszynowe 35
  • Klasyfikacja 37
  • Regresja logistyczna dla klasyfikacji binarnej 38
  • Regresja logistyczna dla klasyfikacji wieloklasowej 38
• Regresja logistyczna z TensorFlow 39
• Regresja logistyczna z Keras 41
• Podsumowanie 42
• Kwestie do rozważenia 43
• Materiały dodatkowe 43

Rozdział 2. Wykorzystanie uczenia maszynowego do wykrywania egzoplanet w przestrzeni kosmicznej 45

• Czym jest drzewo decyzyjne? 46
• Do czego potrzebne są nam zespoły? 47
• Metody zespołowe oparte na drzewach decyzyjnych 47
  • Lasy losowe 47
  • Wzmacnianie gradientowe 49
• Zespoły oparte na drzewach decyzyjnych w TensorFlow 51
  • Estymator TensorForest 51
  • Estymator wzmacnianych drzew TensorFlow 52
• Wykrywanie egzoplanet w przestrzeni kosmicznej 52
• Budowanie modelu TFBT do wykrywania egzoplanet 56
• Podsumowanie 60
• Kwestie do rozważenia 61
• Materiały dodatkowe 61

Rozdział 3. Analiza wydźwięku w przeglądarce przy użyciu TensorFlow.js 63

• TensorFlow.js 64
• Optymalizacja Adam 65
• Strata kategoryzacyjnej entropii krzyżowej 66
• Osadzanie słów 67
• Budowanie modelu analizy wydźwięku 68
  • Wstępne przetwarzanie danych 69
  • Budowanie modelu 70
• Uruchamianie modelu w przeglądarce przy użyciu TensorFlow.js 71
• Podsumowanie 75
• Kwestie do rozważenia 75

Rozdział 4. Klasyfikacja cyfr przy użyciu TensorFlow Lite 77

• Czym jest TensorFlow Lite? 78
• Mierniki oceny modeli klasyfikacji 80
• Klasyfikacja cyfr przy użyciu TensorFlow Lite 81
  • Wstępne przetwarzanie danych i definiowanie modelu 82
  • Konwersja modelu TensorFlow na TensorFlow Lite 84
• Podsumowanie 90
• Kwestie do rozważenia 91

Rozdział 5. Rozpoznawanie mowy i ekstrakcja tematów przy użyciu NLP 93

• Platformy i narzędzia do zamiany mowy na tekst 94
• Zbiór poleceń głosowych Google Speech Commands Dataset 95
• Architektura sieci neuronowej 95
  • Moduł ekstrakcji cech 96
  • Moduł głębokiej sieci neuronowej 96
• Szkolenie modelu 97
• Podsumowanie 99
• Kwestie do rozważenia 99
• Materiały dodatkowe 100

Rozdział 6. Przewidywanie cen akcji przy użyciu regresji procesu gaussowskiego 101

• Twierdzenie Bayesa 102
• Wprowadzenie do wnioskowania bayesowskiego 103
• Wprowadzenie do procesów gaussowskich 104
  • Wybór jądra w PG 106
• Zastosowanie PG do prognozowania rynku akcji 107
• Tworzenie modelu prognozowania kursu akcji 109
• Zrozumienie uzyskanych wyników 112
• Podsumowanie 122
• Kwestie do rozważenia 122

Rozdział 7. Wykrywanie oszustw dotyczących kart kredytowych przy użyciu autokoderów 123

• Autokodery 124
• Budowanie modelu wykrywania oszustw finansowych 125
  • Definiowanie i szkolenie modelu wykrywania oszustw finansowych 126
  • Testowanie modelu wykrywania oszustw finansowych 128
• Podsumowanie 133
• Kwestie do rozważenia 134

Rozdział 8. Generowanie niepewności w klasyfikatorze znaków drogowych przy użyciu bayesowskich sieci neuronowych 135

• Bayesowskie uczenie głębokie 136
  • Twierdzenie Bayesa w sieciach neuronowych 137
• TensorFlow Probability, wnioskowanie wariacyjne i metoda Monte Carlo 138
• Budowanie bayesowskiej sieci neuronowej 140
  • Definiowanie, szkolenie i testowanie modelu 142
• Podsumowanie 151
• Kwestie do rozważenia 152

Rozdział 9. Dopasowywanie torebek na podstawie zdjęć butów z wykorzystaniem sieci DiscoGAN 153

• Modele generatywne 154
  • Szkolenie sieci GAN 155
  • Zastosowania 157
  • Wyzwania 157
• Sieci DiscoGAN 158
  • Podstawowe jednostki sieci DiscoGAN 159
  • Modelowanie sieci DiscoGAN 162
• Budowanie modelu DiscoGAN 163
• Podsumowanie 169
• Kwestie do rozważenia 169

Rozdział 10. Klasyfikowanie obrazów odzieży przy użyciu sieci kapsułowych 171

• Znaczenie sieci kapsułowych 172
• Kapsuły 173
  • Jak działają kapsuły? 173
• Algorytm trasowania dynamicznego 175
• Wykorzystanie architektury CapsNet do klasyfikowania obrazów ze zbioru Fashion MNIST 178
  • Implementacja architektury CapsNet 178
• Szkolenie i testowanie modelu 182
• Rekonstrukcja przykładowych obrazów 187
• Ograniczenia sieci kapsułowych 189
• Podsumowanie 189

Rozdział 11. Tworzenie wysokiej jakości rekomendacji produktów przy użyciu TensorFlow 191

• Systemy rekomendacji 192
• Filtrowanie oparte na treści 193
  • Zalety algorytmów filtrowania opartego na treści 193
  • Wady algorytmów filtrowania opartego na treści 193
• Filtrowanie kolaboratywne 193
• Systemy hybrydowe 194
• Rozkład macierzy 194
• Przedstawienie zbioru danych Retailrocket 195
• Analiza zbioru danych Retailrocket 195
• Wstępne przetwarzanie danych 196
• Model rozkładu macierzy dla rekomendacji Retailrocket 197
• Model sieci neuronowej dla rekomendacji Retailrocket 200
• Podsumowanie 202
• Kwestie do rozważenia 202
• Materiały dodatkowe 202

Rozdział 12. Wykrywanie obiektów na dużą skalę za pomocą TensorFlow 203

• Wprowadzenie do Apache Spark 204
• Rozproszony TensorFlow 206
  • Uczenie głębokie poprzez rozproszony TensorFlow 207
• Poznaj TensorFlowOnSpark 210
  • Architektura TensorFlowOnSpark 210
  • Szczegóły API TFoS 211
  • Rozpoznawanie odręcznie zapisanych cyfr przy użyciu TFoS 212
• Wykrywanie obiektów za pomocą TensorFlowOnSpark i Sparkdl 215
  • Transfer wiedzy 215
  • Interfejs Sparkdl 216
  • Budowanie modelu wykrywania obiektów 217
• Podsumowanie 221

Rozdział 13. Generowanie skryptów książek przy użyciu LSTM 223

• Rekurencyjne sieci neuronowe 224
• Wstępne przetwarzanie danych 225
• Definiowanie modelu 227
• Szkolenie modelu 228
• Definiowanie i szkolenie modelu generującego tekst 228
• Generowanie skryptów książek 233
• Podsumowanie 235
• Kwestie do rozważenia 236

Rozdział 14. Gra w Pac-Mana przy użyciu uczenia głębokiego przez wzmacnianie 237

• Uczenie przez wzmacnianie 238
• Uczenie przez wzmacnianie a uczenie nadzorowane i nienadzorowane 238
• Składniki uczenia przez wzmacnianie 239
• OpenAI Gym 240
• Gra Pac-Man w OpenAI Gym 241
• Sieć DQN w uczeniu głębokim przez wzmacnianie 244
• Zastosowanie sieci DQN do gry 246
• Podsumowanie 249
• Materiały dodatkowe 250

Rozdział 15. Co dalej? 251

• Wdrażanie modeli TensorFlow do produkcji 251
  • TensorFlow Hub 252
  • TensorFlow Serving 254
  • TensorFlow Extended 255
• Zalecenia dotyczące budowania aplikacji wykorzystujących sztuczną inteligencję 257
• Ograniczenia uczenia głębokiego 258
• Zastosowania sztucznej inteligencji w różnych branżach 259
• Względy etyczne w sztucznej inteligencji 260
• Podsumowanie 260

• Назва: TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe
• Автор: Ankit Jain, Armando Fandango, Amita Kapoor
• Оригінальна назва: TensorFlow Machine Learning Projects: Build 13 real-world projects with advanced numerical computations using the Python ecosystem
• Переклад: Leszek Sagalara
• ISBN: 978-83-283-5709-9, 9788328357099
• Дата видання: 2019-12-13
• Формат: Eлектронна книга
• Ідентифікатор видання: tenflo
• Видавець: Helion