Паттанаяк С. Глубокое обучение и TensorFlow для профессионалов. Математический подход к построению систем искусственного интеллекта на Python

Данная книга представляет собой углубленное практическое руководство, которое позволит читателям освоить методы глубокого обучения на уровне, достаточном для развертывания готовых решений. Прочитав книгу, вы сможете быстро приступить к работе с библиотекой TensorFlow и заняться оптимизацией архитектур глубокого обучения. .Книга охватывает все практические аспекты глубокого обучения, существенно важные для любой отрасли. Рассмотренные прототипы могут непосредственно применяться для создания новых приложений глубокого обучения. Представленный в книге программный код доступен в виде блокнотов iPython и сценариев, позволяющих с легкостью воспроизводить примеры и экспериментировать с ними. Вооружившись полученными знаниями, вы сможете проводить собственные исследования в этой области и делиться возникшими у вас идеями с сообществом. .

Паттанаяк С. Глубокое обучение и TensorFlow для профессионалов. Математический подход к построению систем искусственного интеллекта на Python

Данная книга представляет собой углубленное практическое руководство, которое позволит читателям освоить методы глубокого обучения на уровне, достаточном для развертывания готовых решений. Прочитав книгу, вы сможете быстро приступить к работе с библиотекой TensorFlow и заняться оптимизацией архитектур глубокого обучения. .Книга охватывает все практические аспекты глубокого обучения, существенно важные для любой отрасли. Рассмотренные прототипы могут непосредственно применяться для создания новых приложений глубокого обучения. Представленный в книге программный код доступен в виде блокнотов iPython и сценариев, позволяющих с легкостью воспроизводить примеры и экспериментировать с ними. Вооружившись полученными знаниями, вы сможете проводить собственные исследования в этой области и делиться возникшими у вас идеями с сообществом. .

Глубокое обучение и TensorFlow для профессионалов. Математический подход к построению систем искусственного интеллекта на Python. Паттанаяк Сантану

Паттанаяк Сантану Глубокое обучение и TensorFlow для профессионалов. Математический подход к построению систем

Данная книга представляет собой углубленное практическое руководство, которое позволит читателям освоить методы глубокого обучения на уровне, достаточном для развертывания готовых решений. Прочитав книгу, вы сможете быстро приступить к работе с библиотекой TensorFlow и заняться оптимизацией архитектур глубокого обучения. Книга охватывает все практические аспекты глубокого обучения, существенно важные для любой отрасли. Рассмотренные прототипы могут непосредственно применяться для создания новых приложений глубокого обучения. Представленный в книге программный код доступен в виде блокнотов iPython и сценариев, позволяющих с легкостью воспроизводить примеры и экспериментировать с ними. Вооружившись полученными знаниями, вы сможете проводить собственные исследования в этой области и делиться возникшими у вас идеями с сообществом. Благодаря этой книге вы: овладеете полным стеком технологий глубокого обучения с использованием TensorFlow и получите необходимую для этого солидную математическую подготовку; научитесь развертывать сложные приложения глубокого обучения в производственной среде с помощью TensorFlow; сможете проводить исследования в области глубокого обучения и выполнять самостоятельные эксперименты с использованием TensorFlow. Сантану Паттанаяк - ведущий специалист по обработке данных в компании GE Digital. Имеет десятилетний опыт работы, в том числе шесть лет занимался анализом данных и наукой о данных. До прихода в GE работал в таких компаниях, как RBS, Capgemini и IBM. Закончил Джадавпурский университет в Калькутте, получив диплом специалиста по электротехнике. В настоящее время готовится к получению степени магистра в области науки о данных в Индийском институте технологий (ИИТ) в Хайдерабаде. Также находит время для участия в хакатонах и соревнованиях по аналитике и предсказательному моделированию на платформе Kaggle, где входит в список 500 наиболее успешных участников. Сантану родился и вырос в Западной Бенгалии и в настоящее время вместе с женой проживает в г. Бангалор (Индия).

Постолит Анатолий Владимирович Основы искусственного интеллекта в примерах на Python

Описаны инструментальные средства для разработки приложений искусственного интеллекта. Даны основы языка программирования Python. Раскрыты основные понятия и определения искусственного интеллекта. Рассмотрены вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Большое внимание уделено применению специализированных библиотек PyBrain, Scikit-learn, Keras, TensorFlow для формирования структуры нейронных сетей и их обучения и библиотек ImageAI и OpenCV для обработки изображений. Материал иллюстрирован простыми и понятными примерами, демонстрирующими использование предварительно обученных нейронных сетей для распознавания объектов на изображениях, создания собственных наборов данных, формирования структуры сети, ее обучения и практического применения. Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров. Для программистов. Необходимые основы языка Python Элементы искусственного интеллекта Разработка приложений искусственного интеллекта Инструментальные средства и полезные библиотеки Программная реализация нейронных сетей Построение многослойных нейронных сетей Библиотеки PyBrain, Scikit-learn, Keras, TensorFlow, ImageAI, OpenCV Наглядные примеры нейронных сетей, их обучения и использования

Таулли Т. Основы искусственного интеллекта: нетехническое введение

Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как «топлива» для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие. Книга предназначена для читателей без технического образования, таких как менеджеры, интересующиеся возможным применением ИИ.

Таулли Т. Основы искусственного интеллекта: нетехническое введение

Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как «топлива» для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие. Книга предназначена для читателей без технического образования, таких как менеджеры, интересующиеся возможным применением ИИ.

Равичандиран Судхарсан Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи

Глубокое обучение с подкреплением (Reinforcement Learning) - самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением. Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL. Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта. В этой книге вы: - Познакомитесь с основами методов, алгоритмов и элементов RL - Обучите агента с помощью OpenAI Gym и Tensorflow - Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD - Научитесь решать проблемы многоруких бандитов - Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN - Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom - С помощью DDPG научите агентов играть в Lunar Lander - Отправите агента на автогонки, используя метод DQN

Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи

Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что «страшные» аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN

Python и машинное обучение: машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow 2

Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи

Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN

Равичандиран С. Глубокое обучение с подкреплением на Python. OpenAI Gym и TensorFlow для профи

Глубокое обучение с подкреплением (Reinforcement Learning) — самое популярное и перспективное направление искусственного интеллекта. Практическое изучение RL на Python поможет освоить не только базовые, но и передовые алгоритмы глубокого обучения с подкреплением.Вы начнете с основных принципов обучения с подкреплением, OpenAI Gym и TensorFlow, познакомьтесь с марковскими цепями, методом Монте-Карло и динамическим программированием, так что "страшные" аббревиатуры DQN, DRQN, A3C, PPO и TRPO вскоре перестанут вас пугать. Вы узнаете об агентах, которые учатся на человеческих предпочтениях, DQfD, HER и многих других последних достижениях RL.Прочитав книгу, вы приобретете знания и опыт, необходимые для реализации обучения с подкреплением и глубокого обучения с подкреплением в реальных проектах, и войдете в мир искусственного интеллекта.В этой книге вы:• Познакомитесь с основами методов, алгоритмов и элементов RL• Обучите агента с помощью OpenAI Gym и Tensorflow• Освоите марковские процессы принятия решений, оптимальность Беллмана и обучение TD• Научитесь решать проблемы многоруких бандитов• Овладеете алгоритмами глубокого обучения, такими как RNN, LSTM и CNN• Создадите интеллектуальных агентов с помощью алгоритма DRQN, которые смогут играть в Doom• С помощью DDPG научите агентов играть в Lunar Lander • Отправите агента на автогонки, используя метод DQN

Шарден Бастиан, Массарон Лука, Боскетти Альберто Крупномасштабное машинное обучение вместе с Python

Главная задача настоящей книги состоит в том, чтобы предоставить способы применения мощных методов машинного обучения с открытым исходным кодом в крупномасштабных проектах без привлечения дорогостоящих корпоративных решений или больших вычислительных кластеров. Описаны масштабируемое обучение в Scikit-learn, нейронные сети и глубокое обучение с использованием Theano, H2O и TensorFlow. Рассмотрены классификационные и регрессионные деревья, а также обучение без учителя. Охвачены эффективные методы машинного обучения в вычислительной среде MapReduce на платформах Hadoop и Spark на языке Python.

Грокаем глубокое обучение

Глубокое обучение — это раздел искусственного интеллекта, цель которого научить компьютеры обучаться с помощью нейронных сетей — технологии, созданной по образу и подобию человеческого мозга. Онлайн-переводчики, беспилотные автомобили, рекомендации по выбору товаров именно для вас и виртуальные голосовые помощники — вот лишь несколько достижений, которые стали возможны, благодаря глубокому обучению. «Грокаем глубокое обучение» научит конструировать нейронные сети с нуля! Эндрю Траск знакомит со всеми деталями и тонкостями этой нелегкой задачи. Python и библиотека NumPy способны научить ваши нейронные сети видеть и распознавать изображения, переводить любые тексты на все языки мира и даже писать не хуже Шекспира!

Пател А. Прикладное машинное обучение без учителя с использованием Python

По мнению многих отраслевых экспертов, обучение без учителя — передовой рубеж технологий искусственного интеллекта (ИИ) и, возможно, ключ к созданию сильного ИИ. Поскольку подавляющая часть накопленных в мире данных не размечена, к ним нельзя применять традиционное обучение с учителем. В то же время обучение без учителя позволяет успешно работать с неразмеченными наборами данных и выявлять заложенные в них закономерности, обнаружить которые человеку не под силу. Автор книги показывает, как реализовать обучение без учителя на основе двух платформ Python: Scikit-learn и TensorFlow/Keras. Используя готовый код и практические примеры, специалисты по работе с данными смогут выявлять скрытые закономерности в информационных массивах, более глубоко анализировать деловые данные, обнаруживать аномалии, выполнять автоматическое конструирование признаков и генерировать синтетические наборы данных. Все, что потребуется от читателя, — знание программирования и предварительный опыт работы в области машинного обучения.

Пател А. Прикладное машинное обучение без учителя с использованием Python

По мнению многих отраслевых экспертов, обучение без учителя — передовой рубеж технологий искусственного интеллекта (ИИ) и, возможно, ключ к созданию сильного ИИ. Поскольку подавляющая часть накопленных в мире данных не размечена, к ним нельзя применять традиционное обучение с учителем. В то же время обучение без учителя позволяет успешно работать с неразмеченными наборами данных и выявлять заложенные в них закономерности, обнаружить которые человеку не под силу. Автор книги показывает, как реализовать обучение без учителя на основе двух платформ Python: Scikit-learn и TensorFlow/Keras. Используя готовый код и практические примеры, специалисты по работе с данными смогут выявлять скрытые закономерности в информационных массивах, более глубоко анализировать деловые данные, обнаруживать аномалии, выполнять автоматическое конструирование признаков и генерировать синтетические наборы данных. Все, что потребуется от читателя, — знание программирования и предварительный опыт работы в области машинного обучения.