Франсуа Шолле - Глубокое обучение с R и Keras
Название: | Глубокое обучение с R и Keras | |
Автор: | Франсуа Шолле | |
Жанр: | Другие языки и системы программирования | |
Изадано в серии: | неизвестно | |
Издательство: | ДМК Пресс | |
Год издания: | 2022 | |
ISBN: | 978-5-93700-189-4 | |
Отзывы: | Комментировать | |
Рейтинг: | ||
Поделись книгой с друзьями! Помощь сайту: донат на оплату сервера |
Краткое содержание книги "Глубокое обучение с R и Keras"
Прочитав эту книгу, вы получите четкое представление о том, что такое глубокое обучение, когда его следует применять и каковы его ограничения. Авторы описывают стандартный рабочий процесс поиска решения задачи машинного обучения и рассказывают, как устранять часто возникающие проблемы. Всесторонне рассматривается использование Keras для решения самых разнообразных прикладных задач, в числе которых классификация и сегментация изображений, прогнозирование временных рядов, классификация текста, машинный перевод, генерация текста и многое другое. Издание адресовано читателям со средними навыками программирования на R. Опыт работы с Keras, TensorFlow или моделями глубокого обучения не требуется.
Читаем онлайн "Глубокое обучение с R и Keras". [Страница - 3]
- 1
- 2
- 3
- 4
- 5
- . . .
- последняя (26) »
Неизменность тензоров и переменные..................................119
Математические операции в TensorFlow...............................120
Взгляд на API GradientTape с другой стороны........................121
Полный пример: линейный классификатор в чистом
TensorFlow..................................................................................122
Анатомия нейронной сети и основы API Keras...........................127
3.8.1
3.8.2
3.8.3
3.8.4
3.8.5
3.8.6
3.8.7
Слои: строительные блоки глубокого обучения.....................128
От слоев к моделям. .................................................................132
Этап «компиляции»: настройка процесса обучения.............134
Выбор функции потерь.............................................................137
Использование метода fit().....................................................138
Отслеживание потерь и показателей на контрольных
данных. .......................................................................................139
Использование модели после обучения....................................140
Краткие итоги главы. ....................................................................................141
4
Примеры работы с нейросетью:
классификация и регрессия.........................................................143
4.1
Классификация отзывов к фильмам: пример бинарной
классификации....................................................................................145
4.1.1
4.1.2
4.1.3
4.1.4
4.1.5
4.2
4.1.6
4.1.7
Классификация новостных лент: пример многоклассовой
классификации....................................................................................156
4.2.1
4.2.2
4.2.3
4.2.4
4.2.5
4.2.6
4.2.7
4.3
Набор данных IMDB. .................................................................145
Подготовка данных...................................................................147
Создание модели........................................................................148
Проверка вашего выбора. .........................................................151
Использование обученной сети для прогнозирования
на новых данных........................................................................154
Продолжаем эксперименты.....................................................155
Промежуточные итоги............................................................155
4.2.8
4.2.9
Набор данных Reuters................................................................156
Подготовка данных...................................................................158
Построение модели...................................................................158
Проверка модели. ......................................................................159
Предсказания на новых данных................................................161
Другой способ обработки меток и потерь.............................162
Важность использования достаточно больших
промежуточных слоев. .............................................................162
Дальнейшие эксперименты......................................................163
Промежуточные итоги............................................................163
4.3.1
4.3.2
4.3.3
Набор данных с ценами на жилье в Бостоне..........................164
Подготовка данных...................................................................165
Построение модели...................................................................165
Предсказание цен на дома: пример регрессии...........................164
Содержание
10
4.3.4
4.3.5
4.3.6
Оценка качества модели методом K-кратной
перекрестной проверки............................................................166
Выдача прогнозов на новых данных.........................................171
Промежуточные выводы..........................................................171
Краткие итоги главы. ....................................................................................171
5
Основы машинного обучения....................................................173
5.1
5.2
5.3
5.4
Обобщение – цель машинного обучения......................................173
5.1.1
5.1.2
Недообучение и переобучение...................................................174
Базовые принципы обобщения в глубоком обучении..............180
5.2.1
5.2.2
Наборы данных для обучения, проверки и контроля. ............187
Использование критериев, основанных на здравом
смысле.........................................................................................191
Что следует помнить об оценке модели................................192
Оценка моделей машинного обучения.........................................187
5.2.3
Улучшение качества обучения модели..........................................193
5.3.1
5.3.2
5.3.3
Настройка ключевых параметров градиентного спуска.....193
Использование лучшей априорно обоснованной
архитектуры.............................................................................196
Увеличение емкости модели. ...................................................197
5.4.1
5.4.2
5.4.3
5.4.4
Подготовка набора данных......................................................199
Конструирование признаков....................................................200
Использование ранней остановки...........................................202
Регуляризация модели...............................................................202
Как улучшить обобщение. ................................................................199
Краткие итоги главы. --">
- 1
- 2
- 3
- 4
- 5
- . . .
- последняя (26) »
Книги схожие с «Глубокое обучение с R и Keras» по жанру, серии, автору или названию:
Гарет Джеймс, Даниела Уиттон, Тревор Хасти и др. - Введение в статистическое обучение с примерами на языке R Жанр: Неотсортированное Год издания: 2016 |
Джейд Картер - Искусственный интеллект. Машинное обучение Жанр: Околокомпьютерная литература Год издания: 2024 |
Франсуа Шолле - Глубокое обучение на Python Жанр: Python Год издания: 2023 Серия: Библиотека программиста |