Глубокое обучение с R и Kera

Содержание книги "Глубокое обучение с R и Kera "

Оглавление
Предисловие
Благодарности
Об этой книге
Об иллюстрации на обложке
Об авторах
1. Что такое глубокое обучение?
1.1 Искусственный интеллект, машинное и глубокое обучение
1.2 Краткая история машинного обучения
1.3 Почему глубокое обучение? Почему сейчас?
2. Математические основы нейронных сетей
2.1 Первое знакомство с нейронной сетью
2.2 Представление данных для нейронных сетей
2.3 Шестеренки нейронных сетей: операции с тензорами
2.4 Механизм нейронных сетей: оптимизация на основе градиента
2.5 Возвращаясь к нашему первому примеру
3. Введение в Keras и TensorFlow
3.1 Что такое TensorFlow?
3.2 Что такое Keras?
3.3 Keras и TensorFlow: краткая история
3.4 Интерфейсы Python и R: краткая история
3.5 Настройка среды разработки для глубокого обучения
3.6 Первые шаги с TensorFlow
3.7 Атрибуты тензоров
3.8 Анатомия нейронной сети и основы API Keras
4. Примеры работы с нейросетью: классификация и регрессия
4.1 Классификация отзывов к фильмам: пример бинарной классификации
4.2 Классификация новостных лент: пример многоклассовой классификации
4.3 Предсказание цен на дома: пример регрессии
5. Основы машинного обучения
5.1 Обобщение – цель машинного обучения
5.2 Оценка моделей машинного обучения
5.3 Улучшение качества обучения модели
5.4 Как улучшить обобщение
6. Обобщенный рабочий процесс машинного обучения
6.1 Постановка задачи
6.2 Разработка модели
6.3 Развертывание модели
7. Работа с Keras: углубленные навыки
7.1 Широкий спектр рабочих процессов Keras
7.2 Различные способы построения моделей Keras
7.3 Использование встроенных циклов обучения и оценки
7.4 Разработка собственных циклов обучения и оценки
8. Глубокое обучение в компьютерном зрении
8.1 Введение в сверточные нейронные сети
8.2 Обучение сверточной нейронной сети с нуля на небольшом наборе данных
8.3 Использование предварительно обученной сверточной нейронной сети
9. Глубокое обучение для компьютерного зрения
9.1 Три основные задачи компьютерного зрения
9.2 Пример сегментации изображения
9.3 Современные стандартные архитектуры сверточных сетей
9.4 Интерпретация знаний сверточной нейросети
10. Глубокое обучение и временные ряды
10.1 Различные виды задач временных рядов
10.2 Пример прогнозирования температуры
10.3 Рекуррентные нейронные сети
10.4 Продвинутое применение рекуррентных нейронных сетей
11. Глубокое обучение в обработке текстов
11.1 Обработка естественного языка: обзор отрасли
11.2 Подготовка текстовых данных
11.3 Два подхода к представлению групп слов: наборы и последовательности
11.4 Архитектура Transformer
11.5 Помимо классификации текста: обучение преобразованию последовательностей
12 Генеративные модели глубокого обучения
12.1 Генерирование текста с помощью Keras
12.2 DeepDream
12.3 Нейронный перенос стиля
12.4 Генерация изображений с помощью вариационных автокодировщиков
12.5 Введение в генеративно-состязательные сети
13. Глубокое обучение в реальной жизни
13.1 Получение максимальной отдачи от ваших моделей
13.2 Масштабируемое обучение моделей
14 Заключение
14.1 Краткий обзор ключевых понятий
14.2 Ограничения глубокого обучения
14.3 Курс на большую универсальность в ИИ
14.4 Реализация интеллекта: недостающие ингредиенты
14.5 Будущее глубокого обучения
14.6 Как не отстать от прогресса в быстро развивающейся отрасли
14.7 Заключительное слово
Приложение. Введение в Python для пользователей R
Предметный указатель