Uczenie maszynowe w C#

29,25

Opis

Uczenie maszynowe weszło już do kanonu technologii informatycznych. Praktyczne umiejętności w tej dziedzinie powinien posiadać każdy programista i analityk. Standardowo do rozwiązań związanych z machine learning stosuje się Pythona i opracowane dla niego biblioteki, niemniej równie skutecznie można do tego celu używać innych języków programowania. Trzeba jedynie dobrze zaznajomić się z wdrożeniami algorytmów uczenia maszynowego. Niezwykle ciekawym rozwiązaniem jest pisanie takich implementacji w C#. Przemawiają za tym nie tylko zalety samego języka, ale i to, że większość aplikacji dla profesjonalistów jest pisana w C# przy użyciu takich narzędzi jak Visual Studio, SQL Server, Unity czy Microsoft Azure.Ta książka jest przeznaczona dla doświadczonych programistów C#, którzy chcą nauczyć się technik machine learning, deep learning i sztucznej inteligencji. Opisano tu dostępne narzędzia do uczenia maszynowego, dzięki którym można łatwo budować inteligentne aplikacje .NET wykorzystujące takie rozwiązania jak wykrywanie obrazów lub ruchu, wnioskowanie bayesowskie, głębokie uczenie i głęboka wiara. Omówiono zasady implementacji algorytmów uczenia nadzorowanego i nienadzorowanego oraz ich zastosowanie w budowie modeli predykcji. Przedstawiono różne techniki, od prostej regresji liniowej, przez drzewa decyzyjne i SVM, po zaawansowane rozwiązania, takie jak sztuczne sieci neuronowe, autoenkodery lub uczenie ze wzmocnieniem.Najciekawsze zagadnienia przedstawione w książce:podstawy uczenia maszynowegowykorzystywanie logiki rozmytejmapy samoorganizujące sięframework Kelp.Net i jego integracja z systemem ReflectInsightrealia obliczeń kwantowychUczenie maszynowe – najlepiej z wydajnym C#!Spis treści:O autorze 11O recenzencie 12Wstęp 9Rozdział 1. Podstawy uczenia maszynowego 13Wprowadzenie do uczenia maszynowego 14Wydobywanie danych 18Sztuczna inteligencja 18Bio-SI 18Uczenie głębokie 19Probabilistyka i statystyka 19Rozpoczynanie projektu uczenia maszynowego 20Zbieranie danych 20Przygotowanie danych 20Wybranie modelu i trening 21Ocena modelu 22Poprawianie modelu 22Zbiór danych o irysach 22Rodzaje uczenia maszynowego 24Uczenie nadzorowane 25Kompromis odchylenie – wariancja 25Ilość danych treningowych 26Wymiarowość przestrzeni wejścia 27Nieprawidłowe wartości wyjścia 27Heterogeniczność danych 27Uczenie nienadzorowane 28Uczenie ze wzmocnieniem 29Lepiej kupić, zbudować czy skorzystać z otwartych źródeł? 29Dodatkowa lektura 30Podsumowanie 31Odwołania 31Rozdział 2. ReflectInsight – monitorowanie w czasie rzeczywistym 33Router 34Przeglądarka protokołu 35Przeglądarka na żywo 35Nawigacja w komunikatach 35Przeszukiwanie komunikatów 38Formatowanie czasu i daty 38Automatyczne zapisywanie i czyszczenie 39SDK 43Edytor konfiguracji 43Podsumowanie 45Rozdział 3. Wnioskowanie Bayesa – rozwiązywanie zagadki ucieczki z miejsca wypadku i analizowanie danych 47Twierdzenie Bayesa 48Naiwny klasyfikator bayesowski i rysowanie danych 54Rysowanie danych 55Podsumowanie 61Odwołania 63Rozdział 4. Ryzyko i nagroda – uczenie ze wzmocnieniem 65Uczenie ze wzmocnieniem 65Rodzaje uczenia 68Q-uczenie 68SARSA 69Uruchamianie aplikacji 69Wieże Hanoi 74Podsumowanie 80Odwołania 81Rozdział 5. Logika rozmyta – nawigowanie na torze przeszkód 83Logika rozmyta 84Pojazd kierowany automatycznie 86Podsumowanie 95Odwołania 95Rozdział 6. Łączenie kolorów – mapy samoorganizujące i elastyczne sieci neuronowe 97Zrozumieć istotę sieci samoorganizującej 98Podsumowanie 112Rozdział 7. Wykrywanie twarzy i ruchu – filtrowanie obrazów 113Wykrywanie twarzy 114Wykrywanie ruchu 122Dodawanie funkcji wykrywania ruchu do swojej aplikacji 125Podsumowanie 127Rozdział 8. Encyklopedia i neurony – problem komiwojażera 129Problem komiwojażera 129Parametr współczynnika uczenia 147Promień uczenia 148Podsumowanie 148Rozdział 9. Mam przyjąć tę pracę? – drzewa decyzji w akcji 149Drzewo decyzyjne 150Węzeł decyzyjny 151Zmienna decyzyjna 151Kolekcja węzłów gałęzi decyzyjnej 151Mam przyjąć tę pracę? 152numl 154Drzewa decyzyjne w Accord.NET 155Kod uczący 156Tablica pomyłek 158Wizualizacja typu błędu 159Podsumowanie 161Odwołania 161Rozdział 10. Głęboka wiara – głębokie sieci i sny 163Ograniczone maszyny Boltzmanna 163Warstwy 166O czym śni komputer? 171Podsumowanie 175Odwołania 175Rozdział 11. Mikrotesty porównawcze i funkcje aktywacji 177Rysowanie funkcji aktywacji 178Rysowanie wszystkich funkcji aktywacji 180Główna funkcja rysująca 181Testy porównawcze 182Podsumowanie 186Rozdział 12. Intuicyjne uczenie głębokie w C# i .NET 187Czym jest uczenie głębokie? 188OpenCL 189Hierarchia OpenCL 189Framework Kelp.Net 192Funkcje 192Stosy funkcji 192Słowniki funkcji 194Caffe 194Strata 195Optymalizacje 195Zbiory danych 196Testy 198Monitorowanie w Kelp.Net 199Weaver 200Tworzenie testów 202Testy porównawcze funkcji 203Uruchamianie testu porównawczego 203Podsumowanie 206Odwołania 206Rozdział 13. Obliczenia kwantowe – spojrzenie w przyszłość 207Superpozycja 209Teleportacja 209Splątanie 209Podsumowanie 213Skorowidz 214O autorze: Matt R. Cole od 30 lat programuje dla systemu Windows — biegle posługuje się językami: C, C++, C# oraz platformą .NET. Napisał system generowania mowy oraz system VOIP dla NASA, którego używano na promach kosmicznych i stacji kosmicznej. Przygotował pierwszy framework mikrousług klasy enterprise (napisany w całości w C# i .NET), wykorzystywany przez jeden z głównych funduszy hedgingowych. Napisał też framework sztucznej inteligencji, w którym zintegrowane zostały neurony lustrzane i kanoniczne.

lightbox szczecin, mckinsey praca, pokojowa nagroda nobla lech wałęsa, aleksandra szczepaniak, politechnika lubelska wydział zarządzania, gg zaloguj przez www, matura 2021 matematyka zakres, annamaria, halloween zabawy, kreator wykresów funkcji, profi lingua cennik, liceum chocimska, las wroclaw, pelplin miasto, co studiować test, jak się nie stresować, odpowiedzi matura poprawkowa matematyka 2021, ćwiczenia na krzywe palce u nóg, natasza świtalska

yyyyy