Przedmowa 15

CZĘŚĆ I. PODSTAWY UCZENIA MASZYNOWEGO 25

1. Krajobraz uczenia maszynowego 27

• Czym jest uczenie maszynowe? 28
• Dlaczego warto korzystać z uczenia maszynowego? 28
• Przykładowe zastosowania 31
• Rodzaje systemów uczenia maszynowego 33
  
  • Uczenie nadzorowane i uczenie nienadzorowane 34
  • Uczenie wsadowe i uczenie przyrostowe 40
  • Uczenie z przykładów i uczenie z modelu 43
• Główne problemy uczenia maszynowego 48
  
  • Niedobór danych uczących 50
  • Niereprezentatywne dane uczące 50
  • Dane kiepskiej jakości 51
  • Nieistotne cechy 52
  • Przetrenowanie danych uczących 52
  • Niedotrenowanie danych uczących 54
  • Podsumowanie 54
• Testowanie i ocenianie 55
  
  • Strojenie hiperparametrów i dobór modelu 55
  • Niezgodność danych 56
• Ćwiczenia 57

2. Nasz pierwszy projekt uczenia maszynowego 59

• Praca z rzeczywistymi danymi 59
• Przeanalizuj całokształt projektu 61
  
  • Określ zakres problemu 61
  • Wybierz metrykę wydajności 63
  • Sprawdź założenia 65
• Zdobądź dane 65
  
  • Stwórz przestrzeń roboczą 66
  • Pobierz dane 68
  • Rzut oka na strukturę danych 70
  • Stwórz zbiór testowy 74
• Odkrywaj i wizualizuj dane, aby zdobywać nowe informacje 78
  
  • Wizualizowanie danych geograficznych 78
  • Poszukiwanie korelacji 80
  • Eksperymentowanie z kombinacjami atrybutów 83
• Przygotuj dane pod algorytmy uczenia maszynowego 84
  
  • Oczyszczanie danych 84
  • Obsługa tekstu i atrybutów kategorialnych 87
  • Niestandardowe transformatory 89
  • Skalowanie cech 90
  • Potoki transformujące 90
• Wybór i uczenie modelu 92
  
  • Trenowanie i ocena modelu za pomocą zbioru uczącego 92
  • Dokładniejsze ocenianie za pomocą sprawdzianu krzyżowego 93
• Wyreguluj swój model 96
  
  • Metoda przeszukiwania siatki 96
  • Metoda losowego przeszukiwania 98
  • Metody zespołowe 98
  • Analizuj najlepsze modele i ich błędy 98
  • Oceń system za pomocą zbioru testowego 99
• Uruchom, monitoruj i utrzymuj swój system 100
• Teraz Twoja kolej! 103
• Ćwiczenia 103

3. Klasyfikacja 105

• Zbiór danych MNIST 105
• Uczenie klasyfikatora binarnego 107
• Miary wydajności 108
  
  • Pomiar dokładności za pomocą sprawdzianu krzyżowego 108
  • Macierz pomyłek 110
  • Precyzja i pełność 111
  • Kompromis pomiędzy precyzją a pełnością 112
  • Wykres krzywej ROC 116
• Klasyfikacja wieloklasowa 119
• Analiza błędów 121
• Klasyfikacja wieloetykietowa 124
• Klasyfikacja wielowyjściowa 125
• Ćwiczenia 127

4. Uczenie modeli 129

• Regresja liniowa 130
  
  • Równanie normalne 131
  • Złożoność obliczeniowa 134
• Gradient prosty 135
  
  • Wsadowy gradient prosty 138
  • Stochastyczny spadek wzdłuż gradientu 141
  • Schodzenie po gradiencie z minigrupami 143
• Regresja wielomianowa 145
• Krzywe uczenia 146
• Regularyzowane modele liniowe 150
  
  • Regresja grzbietowa 150
  • Regresja metodą LASSO 153
  • Metoda elastycznej siatki 155
  • Wczesne zatrzymywanie 156
• Regresja logistyczna 157
  
  • Szacowanie prawdopodobieństwa 158
  • Funkcje ucząca i kosztu 159
  • Granice decyzyjne 160
  • Regresja softmax 162
• Ćwiczenia 166

5. Maszyny wektorów nośnych 167

• Liniowa klasyfikacja SVM 167
  
  • Klasyfikacja miękkiego marginesu 168
• Nieliniowa klasyfikacja SVM 170
  
  • Jądro wielomianowe 171
  • Cechy podobieństwa 172
  • Gaussowskie jądro RBF 173
  • Złożoność obliczeniowa 175
• Regresja SVM 175
• Mechanizm działania 177
  
  • Funkcja decyzyjna i prognozy 177
  • Cel uczenia 178
  • Programowanie kwadratowe 180
  • Problem dualny 181
  • Kernelizowane maszyny SVM 182
  • Przyrostowe maszyny SVM 185
• Ćwiczenia 186

6. Drzewa decyzyjne 187

• Uczenie i wizualizowanie drzewa decyzyjnego 187
• Wyliczanie prognoz 188
• Szacowanie prawdopodobieństw przynależności do klas 190
• Algorytm uczący CART 191
• Złożoność obliczeniowa 192
• Wskaźnik Giniego czy entropia? 192
• Hiperparametry regularyzacyjne 193
• Regresja 194
• Niestabilność 196
• Ćwiczenia 197

7. Uczenie zespołowe i losowe lasy 199

• Klasyfikatory głosujące 199
• Agregacja i wklejanie 202
  
  • Agregacja i wklejanie w module Scikit-Learn 203
  • Ocena OOB 205
• Rejony losowe i podprzestrzenie losowe 206
• Losowe lasy 206
  
  • Zespół Extra-Trees 207
  • Istotność cech 207
• Wzmacnianie 209
  
  • AdaBoost 209
  • Wzmacnianie gradientowe 212
• Kontaminacja 217
• Ćwiczenia 219

8. Redukcja wymiarowości 223

• Klątwa wymiarowości 224
• Główne strategie redukcji wymiarowości 225
  
  • Rzutowanie 225
  • Uczenie rozmaitościowe 227
• Analiza PCA 228
  
  • Zachowanie wariancji 229
  • Główne składowe 230
  • Rzutowanie na d wymiarów 231
  • Implementacja w module Scikit-Learn 232
  • Współczynnik wariancji wyjaśnionej 232
  • Wybór właściwej liczby wymiarów 232
  • Algorytm PCA w zastosowaniach kompresji 233
  • Losowa analiza PCA 234
  • Przyrostowa analiza PCA 235
• Jądrowa analiza PCA 236
  
  • Wybór jądra i strojenie hiperparametrów 236
• Algorytm LLE 239
• Inne techniki redukowania wymiarowości 241
• Ćwiczenia 241

9. Techniki uczenia nienadzorowanego 243

• Analiza skupień 244
  
  • Algorytm centroidów 246
  • Granice algorytmu centroidów 255
  • Analiza skupień w segmentacji obrazu 256
  • Analiza skupień w przetwarzaniu wstępnym 257
  • Analiza skupień w uczeniu półnadzorowanym 259
  • Algorytm DBSCAN 262
  • Inne algorytmy analizy skupień 265
• Mieszaniny gaussowskie 266
  
  • Wykrywanie anomalii za pomocą mieszanin gaussowskich 271
  • Wyznaczanie liczby skupień 273
  • Modele bayesowskie mieszanin gaussowskich 275
  • Inne algorytmy służące do wykrywania anomalii i nowości 279
• Ćwiczenia 280

CZĘŚĆ II. SIECI NEURONOWE I UCZENIE GŁĘBOKIE 283

10. Wprowadzenie do sztucznych sieci neuronowych i ich implementacji z użyciem interfejsu Keras 285

• Od biologicznych do sztucznych neuronów 286
  
  • Neurony biologiczne 287
  • Operacje logiczne przy użyciu neuronów 288
  • Perceptron 289
  • Perceptron wielowarstwowy i propagacja wsteczna 293
  • Regresyjne perceptrony wielowarstwowe 297
  • Klasyfikacyjne perceptrony wielowarstwowe 298
• Implementowanie perceptronów wielowarstwowych za pomocą interfejsu Keras 300
  
  • Instalacja modułu TensorFlow 2 301
  • Tworzenie klasyfikatora obrazów za pomocą interfejsu sekwencyjnego 302
  • Tworzenie regresyjnego perceptronu wielowarstwowego za pomocą interfejsu sekwencyjnego 311
  • Tworzenie złożonych modeli za pomocą interfejsu funkcyjnego 312
  • Tworzenie modeli dynamicznych za pomocą interfejsu podklasowego 316
  • Zapisywanie i odczytywanie modelu 318
  • Stosowanie wywołań zwrotnych 318
  • Wizualizacja danych za pomocą narzędzia TensorBoard 320
• Dostrajanie hiperparametrów sieci neuronowej 323
  
  • Liczba warstw ukrytych 326
  • Liczba neuronów w poszczególnych warstwach ukrytych 327
  • Współczynnik uczenia, rozmiar grupy i pozostałe hiperparametry 328
• Ćwiczenia 330

11. Uczenie głębokich sieci neuronowych 333

• Problemy zanikających/eksplodujących gradientów 334
  
  • Inicjalizacje wag Glorota i He 334
  • Nienasycające funkcje aktywacji 336
  • Normalizacja wsadowa 340
  • Obcinanie gradientu 346
• Wielokrotne stosowanie gotowych warstw 347
  
  • Uczenie transferowe w interfejsie Keras 348
  • Nienadzorowane uczenie wstępne 350
  • Uczenie wstępne za pomocą dodatkowego zadania 350
• Szybsze optymalizatory 352
  
  • Optymalizacja momentum 352
  • Przyspieszony spadek wzdłuż gradientu (algorytm Nesterova) 353
  • AdaGrad 355
  • RMSProp 356
  • Optymalizatory Adam i Nadam 357
  • Harmonogramowanie współczynnika uczenia 359
• Regularyzacja jako sposób zapobiegania przetrenowaniu 364
  
  • Regularyzacja l1 i l2 364
  • Porzucanie 365
  • Regularyzacja typu Monte Carlo (MC) 368
  • Regularyzacja typu max-norm 370
• Podsumowanie i praktyczne wskazówki 371
• Ćwiczenia 372

12. Modele niestandardowe i uczenie za pomocą modułu TensorFlow 375

• Krótkie omówienie modułu TensorFlow 375
• Korzystanie z modułu TensorFlow jak z biblioteki NumPy 379
  
  • Tensory i operacje 379
  • Tensory a biblioteka NumPy 381
  • Konwersje typów 381
  • Zmienne 381
  • Inne struktury danych 382
• Dostosowywanie modeli i algorytmów uczenia 383
  
  • Niestandardowe funkcje straty 383
  • Zapisywanie i wczytywanie modeli zawierających elementy niestandardowe 384
  • Niestandardowe funkcje aktywacji, inicjalizatory, regularyzatory i ograniczenia 386
  • Niestandardowe wskaźniki 387
  • Niestandardowe warstwy 389
  • Niestandardowe modele 392
  • Funkcje straty i wskaźniki oparte na elementach wewnętrznych modelu 394
  • Obliczanie gradientów za pomocą różniczkowania automatycznego 396
  • Niestandardowe pętle uczenia 399
• Funkcje i grafy modułu TensorFlow 402
  
  • AutoGraph i kreślenie 404
  • Reguły związane z funkcją TF 405
• Ćwiczenia 406

13. Wczytywanie i wstępne przetwarzanie danych za pomocą modułu TensorFlow 409

• Interfejs danych 410
  
  • Łączenie przekształceń 410
  • Tasowanie danych 412
  • Wstępne przetwarzanie danych 415
  • Składanie wszystkiego w całość 416
  • Pobieranie wstępne 417
  • Stosowanie zestawu danych z interfejsem tf.keras 418
• Format TFRecord 419
  
  • Skompresowane pliki TFRecord 420
  • Wprowadzenie do buforów protokołów 420
  • Bufory protokołów w module TensorFlow 422
  • Wczytywanie i analizowanie składni obiektów Example 423
  • Obsługa list list za pomocą bufora protokołów SequenceExample 424
• Wstępne przetwarzanie cech wejściowych 425
  
  • Kodowanie cech kategorialnych za pomocą wektorów gorącojedynkowych 426
  • Kodowanie cech kategorialnych za pomocą wektorów właściwościowych 428
  • Warstwy przetwarzania wstępnego w interfejsie Keras 431
• TF Transform 433
• Projekt TensorFlow Datasets (TFDS) 435
• Ćwiczenia 436

14. Głębokie widzenie komputerowe za pomocą splotowych sieci neuronowych 439

• Struktura kory wzrokowej 440
• Warstwy splotowe 441
  
  • Filtry 443
  • Stosy map cech 444
  • Implementacja w module TensorFlow 446
  • Zużycie pamięci operacyjnej 448
• Warstwa łącząca 449
  
  • Implementacja w module TensorFlow 451
• Architektury splotowych sieci neuronowych 452
  
  • LeNet-5 454
  • AlexNet 455
  • GoogLeNet 458
  • VGGNet 461
  • ResNet 461
  • Xception 465
  • SENet 466
• Implementacja sieci ResNet-34 za pomocą interfejsu Keras 468
• Korzystanie z gotowych modeli w interfejsie Keras 469
• Gotowe modele w uczeniu transferowym 471
• Klasyfikowanie i lokalizowanie 473
• Wykrywanie obiektów 474
  
  • W pełni połączone sieci splotowe 476
  • Sieć YOLO 478
• Segmentacja semantyczna 481
• Ćwiczenia 484

15. Przetwarzanie sekwencji za pomocą sieci rekurencyjnych i splotowych 487

• Neurony i warstwy rekurencyjne 488
  
  • Komórki pamięci 490
  • Sekwencje wejść i wyjść 491
• Uczenie sieci rekurencyjnych 492
• Prognozowanie szeregów czasowych 493
  
  • Wskaźniki bazowe 494
  • Implementacja prostej sieci rekurencyjnej 494
  • Głębokie sieci rekurencyjne 496
  • Prognozowanie kilka taktów w przód 497
• Obsługa długich sekwencji 500
  
  • Zwalczanie problemu niestabilnych gradientów 501
  • Zwalczanie problemu pamięci krótkotrwałej 503
• Ćwiczenia 511

16. Przetwarzanie języka naturalnego za pomocą sieci rekurencyjnych i mechanizmów uwagi 513

• Generowanie tekstów szekspirowskich za pomocą znakowej sieci rekurencyjnej 514
  
  • Tworzenie zestawu danych uczących 515
  • Rozdzielanie zestawu danych sekwencyjnych 515
  • Dzielenie zestawu danych sekwencyjnych na wiele ramek 516
  • Budowanie i uczenie modelu Char-RNN 518
  • Korzystanie z modelu Char-RNN 519
  • Generowanie sztucznego tekstu szekspirowskiego 519
  • Stanowe sieci rekurencyjne 520
• Analiza sentymentów 522
  
  • Maskowanie 526
  • Korzystanie z gotowych reprezentacji właściwościowych 527
• Sieć typu koder - dekoder służąca do neuronowego tłumaczenia maszynowego 529
  
  • Dwukierunkowe warstwy rekurencyjne 532
  • Przeszukiwanie wiązkowe 533
• Mechanizmy uwagi 534
  
  • Mechanizm uwagi wizualnej 537
  • Liczy się tylko uwaga, czyli architektura transformatora 539
• Współczesne innowacje w modelach językowych 546
• Ćwiczenia 548

17. Uczenie reprezentacji za pomocą autokoderów i generatywnych sieci przeciwstawnych 551

• Efektywne reprezentacje danych 552
• Analiza PCA za pomocą niedopełnionego autokodera liniowego 554
• Autokodery stosowe 555
  
  • Implementacja autokodera stosowego za pomocą interfejsu Keras 556
  • Wizualizowanie rekonstrukcji 557
  • Wizualizowanie zestawu danych Fashion MNIST 558
  • Nienadzorowane uczenie wstępne za pomocą autokoderów stosowych 558
  • Wiązanie wag 560
  • Uczenie autokoderów pojedynczo 561
• Autokodery splotowe 562
• Autokodery rekurencyjne 563
• Autokodery odszumiające 564
• Autokodery rzadkie 566
• Autokodery wariacyjne 569
  
  • Generowanie obrazów Fashion MNIST 572
• Generatywne sieci przeciwstawne 574
  
  • Problemy związane z uczeniem sieci GAN 577
  • Głębokie splotowe sieci GAN 579
  • Rozrost progresywny sieci GAN 582
  • Sieci StyleGAN 585
• Ćwiczenia 587

18. Uczenie przez wzmacnianie 589

• Uczenie się optymalizowania nagród 590
• Wyszukiwanie strategii 591
• Wprowadzenie do narzędzia OpenAI Gym 593
• Sieci neuronowe jako strategie 597
• Ocenianie czynności: problem przypisania zasługi 598
• Gradienty strategii 600
• Procesy decyzyjne Markowa 604
• Uczenie metodą różnic czasowych 607
• Q-uczenie 609
  
  • Strategie poszukiwania 610
  • Przybliżający algorytm Q-uczenia i Q-uczenie głębokie 611
• Implementacja modelu Q-uczenia głębokiego 612
• Odmiany Q-uczenia głębokiego 616
  
  • Ustalone Q-wartości docelowe 616
  • Podwójna sieć DQN 617
  • Odtwarzanie priorytetowych doświadczeń 618
  • Walcząca sieć DQN 618
• Biblioteka TF-Agents 619
  
  • Instalacja biblioteki TF-Agents 620
  • Środowiska TF-Agents 620
  • Specyfikacja środowiska 621
  • Funkcje opakowujące środowisko i wstępne przetwarzanie środowiska Atari 622
  • Architektura ucząca 625
  • Tworzenie Q-sieci głębokiej 627
  • Tworzenie agenta DQN 629
  • Tworzenie bufora odtwarzania i związanego z nim obserwatora 630
  • Tworzenie wskaźników procesu uczenia 631
  • Tworzenie sterownika 632
  • Tworzenie zestawu danych 633
  • Tworzenie pętli uczenia 636
• Przegląd popularnych algorytmów RN 637
• Ćwiczenia 639

19. Wielkoskalowe uczenie i wdrażanie modeli TensorFlow 641

• Eksploatacja modelu TensorFlow 642
  
  • Korzystanie z systemu TensorFlow Serving 642
  • Tworzenie usługi predykcyjnej na platformie GCP AI 650
  • Korzystanie z usługi prognozowania 655
• Wdrażanie modelu na urządzeniu mobilnym lub wbudowanym 658
• Przyspieszanie obliczeń za pomocą procesorów graficznych 661
  
  • Zakup własnej karty graficznej 662
  • Korzystanie z maszyny wirtualnej wyposażonej w procesor graficzny 664
  • Colaboratory 665
  • Zarządzanie pamięcią operacyjną karty graficznej 666
  • Umieszczanie operacji i zmiennych na urządzeniach 669
  • Przetwarzanie równoległe na wielu urządzeniach 671
• Uczenie modeli za pomocą wielu urządzeń 673
  
  • Zrównoleglanie modelu 673
  • Zrównoleglanie danych 675
  • Uczenie wielkoskalowe za pomocą interfejsu strategii rozpraszania 680
  • Uczenie modelu za pomocą klastra TensorFlow 681
  • Realizowanie dużych grup zadań uczenia za pomocą usługi Google Cloud AI Platform 684
  • Penetracyjne strojenie hiperparametrów w usłudze AI Platform 686
• Ćwiczenia 688
• Dziękuję! 688

A. Rozwiązania ćwiczeń 691

B. Lista kontrolna projektu uczenia maszynowego 725

C. Problem dualny w maszynach wektorów nośnych 731

D. Różniczkowanie automatyczne 735

E. Inne popularne architektury sieci neuronowych 743

F. Specjalne struktury danych 751

G. Grafy TensorFlow 757

• Назва: Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow. Wydanie II
• Автор: Aurélien Géron
• Оригінальна назва: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, 2nd Edition
• Переклад: Krzysztof Sawka
• ISBN: 978-83-283-6003-7, 9788328360037
• Дата видання: 2020-08-04
• Формат: Eлектронна книга
• Ідентифікатор видання: uczem2
• Видавець: Helion