Deep Learning. Praktyczne wprowadzenie

Technologie wykorzystujące różne formy uczenia maszynowego zaczynają pojawiać się w różnych branżach. Możliwości w tym zakresie stale rosną, podobnie jak zainteresowanie i oczekiwania.

Przed podjęciem decyzji o wdrożeniu w firmie tego rodzaju rozwiązań trzeba jednak zadać sobie pytanie, co można i co chciałoby się osiągnąć za pomocą sieci neuronowej. Generalnie uczenie maszynowe opiera się na algorytmach wyodrębniania informacji z surowych danych i reprezentowania ich jako modelu.

Model ten następnie służy do przetwarzania kolejnych surowych danych. Co to jednak oznacza w praktyce i jak się implementuje takie algorytmy?

Niniejsza książka jest przydatnym przewodnikiem po uczeniu maszynowym i sieciach neuronowych. Zawiera praktyczne informacje, które doceni każdy programista stawiający pierwsze kroki w tej dziedzinie.

Przedstawiono tu podstawy deep learningu i wyjaśniono takie pojęcia, jak strojenie sieci, wielowątkowość, wektoryzowanie danych. Opisano, w jaki sposób można wykorzystać otwartą bibliotekę Deeplearning4j (DL4J) do kodowania profesjonalnych procesów uczenia głębokiego.

Zaprezentowano metody i strategie trenowania sieci głębokich i uruchamiania procesów uczenia głębokiego w środowiskach Spark i Hadoop. Zagadnienia te zostały zilustrowane gotowymi do zastosowania, praktycznymi przykładami.

W tej książce między innymi:
• ogólne koncepcje uczenia maszynowego, uczenia głębokiego i sieci neuronowych
• ewolucja sieci neuronowych do sieci głębokich i ich rodzaje
• dobieranie rodzaju sieci do analizowanego zagadnienia
• strojenie sieci neuronowych i sieci głębokich
• korzystanie z narzędzia DataVec do wektoryzowania danych różnych typów
• stosowanie biblioteki DL4J w środowiskach Spark i Hadoop

Uczenie głębokie i sieci neuronowe: przyszłość, która dzieje się dziś!