GŁĘBOKIE UCZENIE WPROWADZENIE

SPIS TREŚCI

Rozdział 1. Wstęp

Rozdział 2. Wprowadzenie do uczenia maszynowego

• 2.1. Analiza modelu i funkcja kosztu
• 2.2. Minimalizacja funkcji kosztu

Rozdział 3. Uczenie nienadzorowane

• 3.1. Klastrowanie: k­means
• 3.2. Redukcja wymiarowości: PCA
• 3.3. Estymacja gęstości

Rozdział 4. Uczenie nadzorowane: regresja

• 4.1. Regresja liniowa
• 4.2. Zanurzenie
• 4.3. Ewaluacja modelu nadzorowanego

Rozdział 5. Uczenie nadzorowane: klasyfikacja

• 5.1. Wprowadzenie do klasyfikacji
• 5.2. Klasyfiacja binarna: SVM
• 5.3. Klasyfikacja wieloklasowa: regresja logistyczna
• 5.4. Ocena modelu klasyfikacji
• 5.5. Klasyfikacja niezbalansowania
• 5.6. Konstrukcja funkcji kosztu w problemach regresyjnych

Rozdział 6. Metody kernelowe

• 6.1. Wprowadzenie do metod kernelowych
• 6.2. Praktyczne użycie skernelizowanych metod
• 6.3. Porównywanie próbek i rozkładów: MMD

Rozdział 7. Wprowadzenie do sieci neuronowych

• 7.1. Budowa sieci neuronowych
• 7.2. Klasyfiacja nieliniowa: spojrzenie geometryczne
• 7.3. Uczenie sieci neuronowej na przykładzie regresji
• 7.4. Teoria a praktyka w sieciach neuronowych

Rozdział 8. Trenowanie sieci neuronowych

• 8.1. Problem klasyfikacyjny
• 8.2. Optymalizacja za pomocą metody spadku gradientu
• 8.3. Optymalizator Adam
• 8.4. Regularyzacja i augmentacje
• 8.5. Moja sieć neuronowa nie działa: poradnik

Rozdział 9. Wprowadzenie do sieci konwolucyjnych

• 9.1. Przetwarzanie obrazów za pomocą sieci fully­connected
• 9.2. Filtry konwolucyjne
• 9.3. Sieci konwolucyjne

Rozdział 10. Sieci konwolucyjne w praktyce

• 10.1. Początki sieci konwolucyjnych
• 10.2. Techniki regularyzacyjne
• 10.3. Połączenia rezydualne: ResNet
• 10.4. Wybrane architektury CNN
• 10.5. Finetuning: dostrajanie modelu do nowych zadań
• 10.6. Segmentacja obrazów: U­Net

Rozdział 11. Głębokie modele nienadzorowane

• 11.1. Nienadzorowana reprezentacja danych
• 11.2. Modele generatywne: GANy
• 11.3. Estymacja gęstości: invertible normalizing flows

Rozdział 12. Rekurencyjne sieci neuronowe

• 12.1. Wprowadzenie do danych sekwencyjnych
• 12.2. Rekurencja jako model autoregresywny
• 12.3. Sieci rekurencyjne (RNN)
• 12.4. Model Seq2Seq
• 12.5. Zaawansowane modele sieci rekurencyjnych

Rozdział 13. Atencja

• 13.1. Wstęp
• 13.2. Mechanizm atencji
• 13.3. Atencja w modelu Seq2Seq
• 13.4. Self­attention
• 13.5. Self­attention GAN
• 13.6. Transformer jako rozwinięcie self­atencji

Bibliografia