Прикладное машинное обучение и искусственный интеллект для инженеров, Просиз Дж., 2024

Прикладное машинное обучение и искусственный интеллект для инженеров, Просиз Дж., 2024.
    
   Книга рассказывает о применении искусственного интеллекта и машинного обучения в бизнесе и инженерной практике. Подробно описаны популярные алгоритмы машинного обучения и разъяснено, когда их целесообразно использовать. Приведены примеры построения моделей машинного обучения на языке Python с помощью библиотеки Scikit-Leam, а также создания нейронных сетей посредством библиотек Keras и TensorFlow. Изложены базовые принципы и способы оценки регрессионных моделей, моделей бинарной и многоклассовой классификации. Показаны примеры создания модели распознавания лиц и обнаружения объектов, языковых моделей, отвечающих на естественно-языковые вопросы и переводящих текст на другие языки. Рассмотрено использование набора облачных API Cognitive Services для внедрения ИИ в различные приложения.




Машинное обучение.
Машинное обучение (machine learning, ML) расширяет границы возможного, позволяя компьютерам решать задачи, которые еще несколько лет назад были неразрешимыми. Машинное обучение ежедневно оказывает влияние на нашу жизнь: от выявления мошенничества и медицинской диагностики до рекомендаций товаров и автомобилей с машинным зрением (которые "видят", что находится перед ними). Пока вы читаете эту главу, ученые используют машинное обучение для раскрытия секретов человеческого генома. Когда мы однажды найдем способ излечить больных от рака, мы будем благодарить машинное обучение за то, что оно сделало это возможным.

Машинное обучение является революционным, поскольку представляет собой альтернативу алгоритмическому решению задач. Имея рецепт, или алгоритм, несложно написать приложение, которое хеширует пароль или рассчитывает ежемесячный платеж по ипотеке. Вы разрабатываете алгоритм, подаете ему входные данные и получаете в ответ выходные. Совсем другое дело — создать код, определяющий, кто изображен на фотографии: кошка или собака. Вы можете попытаться реализовать идею алгоритмически, но как только вы начнете распознавать реальные образы, вы столкнетесь с фото кошки или собаки, которое нарушит алгоритм.

ОГЛАВЛЕНИЕ.
Отзывы о книrе
"Прикладное машинное обучение и искусственный интеллект для инженеров".
Об авторе.
Об изображении на обложке.
Предисловие.
Введение.
Кто должен прочитать эту книгу.
Почему я написал эту книгу.
Использование примеров кода из книги.
Как организована эта книга.
Условные обозначения и соглашения.
Благодарности.
ЧАСТЬ 1. МАШИННОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ SCIКIT-LEARN.
ГЛАВА 1. Машинное обучение.
Что такое машинное обучение?.
Машинное обучение в сравнении с искусственным интеллектом.
Обучение с учителем и без учителя.
Обучение без учителя с помощью кластеризации k средних.
Применение кластеризации k средних к данным о клиентах.
Сегментирование клиентов по более чем двум измерениям.
Обучение с учителем.
Метод k ближайших соседей.
Использование k ближайших соседей для классификации цветов.
Резюме.
ГЛАВА 2. Реrрессионные модели.
Линейная регрессия.
Деревья решений.
Случайные леса.
Градиентно-бустинговые машины.
Метод опорных векторов.
Меры точности для регрессионных моделей.
Использование регрессии для прогнозирования тарифов на такси.
Резюме.
ГЛАВА 3. Классификационные модели.
Логистическая регрессия.
Меры точности для классификационных моделей.
Категориальные данные.
Бинарная классификация.
Классификация пассажиров, плывших на "Титанике".
Обнаружение мошенничества с кредитными картами.
Мультиклассовая классификация.
Построение модели распознавания цифр.
Резюме.
ГЛАВА 4. Классификация текста.
Подготовка текста к классификации.
Анализ настроений.
Наивный Байес.
Фильтрация спама.
Рекомендательные системы.
Косинусное сходство.
Построение системы рекомендаций фильмов.
Резюме.
ГЛАВА 5. Метод опорных векторов.
Принцип работы метода опорных векторов.
Ядра.
Ядерные трюки.
Настройка гиперпараметров.
Нормализация данных.
Конвейеризация.
Использование SVM для распознавания лиц.
Резюме.
ГЛАВА 6. Анализ главных компонент.
Что такое анализ главных компонент.
Фильтрация шумов.
Анонимизация данных.
Визуализация высокоразмерных данных.
Обнаружение аномалий.
Использование РСА для обнаружения мошенничества с кредитными картами.
Использование РСА для прогнозирования выхода из строя подшипников.
Обнаружение многомерных аномалий.
Резюме.
ГЛАВА 7. Операционализация моделей машинноrо обучения.
Обращение к Руthоn-модели из Руthоn-клиента.
Версионирование файлов Pickle.
Обращение к Руthоn-модели из С#-клиента.
Сохранение модели машинноrо обучения в контейнере.
Использование ONNX для преодоления языковой лакуны.
Построение моделей машинного обучения на С# с помощью ML.NET.
Анализ настроений с помощью ML.NET.
Сохранение и загрузка моделей ML.NET.
Добавление возможностей машинного обучения в Excel.
Резюме.
ЧАСТЬ 11. ГЛУБОКОЕ ОБУЧЕНИЕ С ПОМОЩЬЮ КERAS И TENSORFLOW.
ГЛАВА 8. Глубокое обучение.
Понимание нейронных сетей.
Обучение нейронных сетей.
Резюме.
ГЛАВА 9. Нейронные сети.
Построение нейронных сетей с помощью Keras и TensorFlow.
Определение размеров нейронной сети.
Использование нейронной сети для прогнозирования стоимости проезда в такси.
Бинарная классификация с помощью нейронных сетей.
Выполнение прогнозирования.
Обучение нейронной сети для обнаружения мошенничества с кредитными картами.
Мультиклассовая классификация с помощью нейронных сетей.
Обучение нейронной сети для распознавания лиц.
Отсев.
Сохранение и загрузка моделей.
Обратные вызовы Keras.
Резюме.
ГЛАВА 10. Классификация изображений с помощью сверточных нейронных сетей.
Понимание работы сверточных нейронных сетей.
Использование Keras и TensorFlow для построения CNN.
Обучение CNN распознаванию арктических диких животных.
Предварительно обученные CNN.
Использование ResNet50V2 для классификации изображений.
Трансферное обучение.
Использование трансферного обучения для идентификации диких животных Арктики.
Аугментация данных.
Аугментация изображений с помощью ImageDataGenerator.
Аугментация изображений с помощью аугментационных слоев.
Применение аугментации для изображений дикой природы Арктики.
Глобальный пулинг.
Классификация аудио с помощью CNN.
Резюме.
ГЛАВА 11. Обнаружение и распознавание лиц.
Обнаружение лиц.
Обнаружение лиц с помощью алгоритма Виолы - Джонса.
Использование реализации алгоритма Виолы - Джон са в OpenCV.
Обнаружение лиц с помощью сверточных нейронных сетей.
Извлечение лиц из фотографий.
Распознавание лиц.
Применение трансферного обучения для распознавания лиц.
Совершенствование трансферного обучения с помощью весов для конкретной задачи.
ArcFace.
Собираем все вместе: обнаружение и распознавание лиц на фотографиях.
Работа с неизвестными лицами: классификация по закрытым и открытым наборам.
Резюме.
ГЛАВА 12. Обнаружение объектов.
R-CNN.
Mask R-CNN.
YOLO.
YOLOv3 и Keras.
Обнаружение нестандартных объектов.
Обучение пользовательской модели обнаружения объектов с помощью службы Custom Vision.
Использование экспортированной модели.
Резюме.
ГЛАВА 13. Обработка естественного языка.
Подготовка текста.
Эмбеддинги слов.
Классификация текста.
Автоматизация векторизации текста.
Использование TextVectorization в модели анализа настроений.
Учет порядка слов в прогнозах.
Рекуррентные нейронные сети (RNN).
Использование предварительно обученных моделей для классификации текста.
Нейронный машинный перевод.
Кодировщик-декодировщик LSTM.
Трансформерные кодировщики-декодировщики.
Построение NMT -модели на основе трансформера.
Использование предварительно обученных моделей для перевода текста.
Двунаправленное представление кодировщика на основе трансформеров (BERT).
Построение системы ответов на вопросы на основе BERT.
Тонкая настройка BERT для выполнения анализа настроений.
Резюме.
ГЛАВА 14. Azure Cognitive Services.
Знакомство с Azure Cognitive Services.
Ключи и конечные точки.
Обращения к АРI-интерфейсам Azure Cognitive Services.
Контейнеры Azure Cognitive Services.
Сервис Computer Vision.
Сервис Language.
Сервис Translator.
Сервис Speech.
Собираем все вместе: Contoso Travel.
Резюме.
Предметный указатель.



Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Прикладное машинное обучение и искусственный интеллект для инженеров, Просиз Дж., 2024 - fileskachat.com, быстрое и бесплатное скачивание.

Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги


Скачать - pdf - Яндекс.Диск.




Теги: учебник по программированию :: программирование :: Просиз