TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe - ebook

TensorFlow służy do projektowania i wdrażania zaawansowanych architektur głębokiego uczenia. Jego zaletami są prostota, wydajność i elastyczność. Umożliwia budowanie złożonych rozwiązań na bazie różnorodnych zbiorów danych. Co więcej, pozwala na stosowanie różnych technik uczenia nadzorowanego, nienadzorowanego oraz uczenia przez wzmacnianie. TensorFlow zmienił sposób postrzegania uczenia maszynowego. Dzięki temu środowisku każdy, kto chce uczynić z dużych zbiorów danych wiarygodne źródło wiedzy, może ten cel osiągnąć - niezależnie od tego, czy jest analitykiem danych, naukowcem, projektantem, czy pasjonatem metod sztucznej inteligencji.

To książka przeznaczona dla osób, które chcą nauczyć się tworzyć całościowe rozwiązania z wykorzystaniem uczenia maszynowego. Poszczególne zagadnienia zilustrowano trzynastoma praktycznymi projektami, w których wykorzystano między innymi analizy sentymentów, przetwarzanie języka naturalnego, systemy rekomendacyjne, generatywne sieci kontradyktoryjne czy sieci kapsułowe. Pokazano, w jaki sposób używać TensorFlow z interfejsem APO Spark i wspomagać obliczenia układami GPU. Przedstawiono zastosowanie rozkładu macierzy (SVD++), modeli rankingowych i odmian splotowej sieci neuronowej. Nie zabrakło prezentacji nowych rozwiązań o dużym potencjale, takich jak sieci DiscoGAN. Dołączony do książki kod źródłowy, liczne wskazówki i porady pozwolą na płynne rozpoczęcie pracy z TensorFlow oraz innymi narzędziami do budowy sieci neuronowych.

W tej książce między innymi:

• podstawy pracy z TensorFlow
• wykorzystanie TensorFlow do wizualizacji sieci neuronowych
• zastosowanie procesu gaussowskiego do prognozowania cen akcji
• wykrywanie oszukańczych transakcji za pomocą TensorFlow i Keras
• implementacja sieci kapsułowych w TensorFlow
• techniki uczenia przez wzmacnianie

TensorFlow: prostota, wydajność i imponujący potencjał!

 

O autorach 11

 

O recenzentach 13

Wstęp 15

Rozdział 1. TensorFlow i uczenie maszynowe 19

• Czym jest TensorFlow? 20
• Rdzeń TensorFlow 20
  • Tensory 20
  • Stałe 22
  • Operacje 23
  • Węzły zastępcze 23
  • Tensory z obiektów Pythona 24
  • Zmienne 26
  • Tensory generowane z funkcji bibliotecznych 28
  • Uzyskiwanie zmiennych za pomocą tf.get_variable() 28
• Graf obliczeniowy 29
  • Kolejność wykonywania i wczytywanie z opóźnieniem 30
  • Wykonywanie grafów na wielu urządzeniach obliczeniowych - CPU i GPGPU 31
  • Wiele grafów 35
• Uczenie maszynowe, klasyfikacja i regresja logistyczna 35
  • Uczenie maszynowe 35
  • Klasyfikacja 37
  • Regresja logistyczna dla klasyfikacji binarnej 38
  • Regresja logistyczna dla klasyfikacji wieloklasowej 38
• Regresja logistyczna z TensorFlow 39
• Regresja logistyczna z Keras 41
• Podsumowanie 42
• Kwestie do rozważenia 43
• Materiały dodatkowe 43

Rozdział 2. Wykorzystanie uczenia maszynowego do wykrywania egzoplanet w przestrzeni kosmicznej 45

• Czym jest drzewo decyzyjne? 46
• Do czego potrzebne są nam zespoły? 47
• Metody zespołowe oparte na drzewach decyzyjnych 47
  • Lasy losowe 47
  • Wzmacnianie gradientowe 49
• Zespoły oparte na drzewach decyzyjnych w TensorFlow 51
  • Estymator TensorForest 51
  • Estymator wzmacnianych drzew TensorFlow 52
• Wykrywanie egzoplanet w przestrzeni kosmicznej 52
• Budowanie modelu TFBT do wykrywania egzoplanet 56
• Podsumowanie 60
• Kwestie do rozważenia 61
• Materiały dodatkowe 61

Rozdział 3. Analiza wydźwięku w przeglądarce przy użyciu TensorFlow.js 63

• TensorFlow.js 64
• Optymalizacja Adam 65
• Strata kategoryzacyjnej entropii krzyżowej 66
• Osadzanie słów 67
• Budowanie modelu analizy wydźwięku 68
  • Wstępne przetwarzanie danych 69
  • Budowanie modelu 70
• Uruchamianie modelu w przeglądarce przy użyciu TensorFlow.js 71
• Podsumowanie 75
• Kwestie do rozważenia 75

Rozdział 4. Klasyfikacja cyfr przy użyciu TensorFlow Lite 77

• Czym jest TensorFlow Lite? 78
• Mierniki oceny modeli klasyfikacji 80
• Klasyfikacja cyfr przy użyciu TensorFlow Lite 81
  • Wstępne przetwarzanie danych i definiowanie modelu 82
  • Konwersja modelu TensorFlow na TensorFlow Lite 84
• Podsumowanie 90
• Kwestie do rozważenia 91

Rozdział 5. Rozpoznawanie mowy i ekstrakcja tematów przy użyciu NLP 93

• Platformy i narzędzia do zamiany mowy na tekst 94
• Zbiór poleceń głosowych Google Speech Commands Dataset 95
• Architektura sieci neuronowej 95
  • Moduł ekstrakcji cech 96
  • Moduł głębokiej sieci neuronowej 96
• Szkolenie modelu 97
• Podsumowanie 99
• Kwestie do rozważenia 99
• Materiały dodatkowe 100

Rozdział 6. Przewidywanie cen akcji przy użyciu regresji procesu gaussowskiego 101

• Twierdzenie Bayesa 102
• Wprowadzenie do wnioskowania bayesowskiego 103
• Wprowadzenie do procesów gaussowskich 104
  • Wybór jądra w PG 106
• Zastosowanie PG do prognozowania rynku akcji 107
• Tworzenie modelu prognozowania kursu akcji 109
• Zrozumienie uzyskanych wyników 112
• Podsumowanie 122
• Kwestie do rozważenia 122

Rozdział 7. Wykrywanie oszustw dotyczących kart kredytowych przy użyciu autokoderów 123

• Autokodery 124
• Budowanie modelu wykrywania oszustw finansowych 125
  • Definiowanie i szkolenie modelu wykrywania oszustw finansowych 126
  • Testowanie modelu wykrywania oszustw finansowych 128
• Podsumowanie 133
• Kwestie do rozważenia 134

Rozdział 8. Generowanie niepewności w klasyfikatorze znaków drogowych przy użyciu bayesowskich sieci neuronowych 135

• Bayesowskie uczenie głębokie 136
  • Twierdzenie Bayesa w sieciach neuronowych 137
• TensorFlow Probability, wnioskowanie wariacyjne i metoda Monte Carlo 138
• Budowanie bayesowskiej sieci neuronowej 140
  • Definiowanie, szkolenie i testowanie modelu 142
• Podsumowanie 151
• Kwestie do rozważenia 152

Rozdział 9. Dopasowywanie torebek na podstawie zdjęć butów z wykorzystaniem sieci DiscoGAN 153

• Modele generatywne 154
  • Szkolenie sieci GAN 155
  • Zastosowania 157
  • Wyzwania 157
• Sieci DiscoGAN 158
  • Podstawowe jednostki sieci DiscoGAN 159
  • Modelowanie sieci DiscoGAN 162
• Budowanie modelu DiscoGAN 163
• Podsumowanie 169
• Kwestie do rozważenia 169

Rozdział 10. Klasyfikowanie obrazów odzieży przy użyciu sieci kapsułowych 171

• Znaczenie sieci kapsułowych 172
• Kapsuły 173
  • Jak działają kapsuły? 173
• Algorytm trasowania dynamicznego 175
• Wykorzystanie architektury CapsNet do klasyfikowania obrazów ze zbioru Fashion MNIST 178
  • Implementacja architektury CapsNet 178
• Szkolenie i testowanie modelu 182
• Rekonstrukcja przykładowych obrazów 187
• Ograniczenia sieci kapsułowych 189
• Podsumowanie 189

Rozdział 11. Tworzenie wysokiej jakości rekomendacji produktów przy użyciu TensorFlow 191

• Systemy rekomendacji 192
• Filtrowanie oparte na treści 193
  • Zalety algorytmów filtrowania opartego na treści 193
  • Wady algorytmów filtrowania opartego na treści 193
• Filtrowanie kolaboratywne 193
• Systemy hybrydowe 194
• Rozkład macierzy 194
• Przedstawienie zbioru danych Retailrocket 195
• Analiza zbioru danych Retailrocket 195
• Wstępne przetwarzanie danych 196
• Model rozkładu macierzy dla rekomendacji Retailrocket 197
• Model sieci neuronowej dla rekomendacji Retailrocket 200
• Podsumowanie 202
• Kwestie do rozważenia 202
• Materiały dodatkowe 202

Rozdział 12. Wykrywanie obiektów na dużą skalę za pomocą TensorFlow 203

• Wprowadzenie do Apache Spark 204
• Rozproszony TensorFlow 206
  • Uczenie głębokie poprzez rozproszony TensorFlow 207
• Poznaj TensorFlowOnSpark 210
  • Architektura TensorFlowOnSpark 210
  • Szczegóły API TFoS 211
  • Rozpoznawanie odręcznie zapisanych cyfr przy użyciu TFoS 212
• Wykrywanie obiektów za pomocą TensorFlowOnSpark i Sparkdl 215
  • Transfer wiedzy 215
  • Interfejs Sparkdl 216
  • Budowanie modelu wykrywania obiektów 217
• Podsumowanie 221

Rozdział 13. Generowanie skryptów książek przy użyciu LSTM 223

• Rekurencyjne sieci neuronowe 224
• Wstępne przetwarzanie danych 225
• Definiowanie modelu 227
• Szkolenie modelu 228
• Definiowanie i szkolenie modelu generującego tekst 228
• Generowanie skryptów książek 233
• Podsumowanie 235
• Kwestie do rozważenia 236

Rozdział 14. Gra w Pac-Mana przy użyciu uczenia głębokiego przez wzmacnianie 237

• Uczenie przez wzmacnianie 238
• Uczenie przez wzmacnianie a uczenie nadzorowane i nienadzorowane 238
• Składniki uczenia przez wzmacnianie 239
• OpenAI Gym 240
• Gra Pac-Man w OpenAI Gym 241
• Sieć DQN w uczeniu głębokim przez wzmacnianie 244
• Zastosowanie sieci DQN do gry 246
• Podsumowanie 249
• Materiały dodatkowe 250

Rozdział 15. Co dalej? 251

• Wdrażanie modeli TensorFlow do produkcji 251
  • TensorFlow Hub 252
  • TensorFlow Serving 254
  • TensorFlow Extended 255
• Zalecenia dotyczące budowania aplikacji wykorzystujących sztuczną inteligencję 257
• Ograniczenia uczenia głębokiego 258
• Zastosowania sztucznej inteligencji w różnych branżach 259
• Względy etyczne w sztucznej inteligencji 260
• Podsumowanie 260