Прикладное глубокое обучение: подход к пониманию глубоких нейронных сетей на основе метода кейсов
Умберто Микелуччи В книге затронуты современные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки
глубоких нейронных сетей.
Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а
также более сложные нейросетевые архитектуры с многочисленными слоями и
нейронами.
Продемонстрирована отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с
использованием сложных наборов данных.
Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому
техническому решению даны примеры решения практических задач.
Чему вы научитесь:
- Правильно внедрять передовые методы в Python и TensorFlow
- Выполнять отладку и оптимизацию продвинутыми методами
- Проводить анализ ошибок
- Настраивать проект машинного обучения, ориентированный на глубокое обучение на сложном
наборе данных.
Для освоения изложенного в книге материала достаточен средний уровень понимания машинного
обучения, линейной алгебры, математического анализа и базовый уровень программирования на Python.
Перевод с английского Андрея Логунова.