Данная книга – один из первых технических обзоров беспилотных транспортных средств (БТС), написанных для широкой компьютерной и инженерной аудитории. На протяжении всей книги авторы делятся своим практическим опытом проектирования систем беспилотных транспортных средств (БТС). Это издание позволяет очень детально ознакомиться с современными достижениями в области построения как операционных систем для управления высокоавтоматизированными транспортными средствами, так и алгоритмов для решения конкретных задач, которые основаны на методах искусственного интеллекта (ИИ) и управляют отдельными аспектами движения беспилотников.

Если вы уже пытались узнать что-то о нейронных сетях и глубоком обу­чении, то, скорее всего, столкнулись с изобилием ресурсов, от блогов до массовых открытых онлайн-курсов различного качества и даже книг. Ресурсы по нейронным сетям обычно делятся на две категории. Некоторые из них касаются в основном концептуальной и математической части и содержат как рисунки, которые, как правило, встречаются в объяснениях нейронных сетей, так и круги, соединенные линиями со стрелками на концах, а также подробные математические объяснения того, что происходит, чтобы вы могли «вникнуть в матчасть». На других ресурсах — много кода, запустив который вы видите, как снижается ошибка и «обучается» нейронная сеть.

В книге «javascript для глубокого обучения» удачно сочетаются элементы теории глубокого обучения и реальные примеры на javascript с использованием TF.js. Это прекрасный источник информации как для javascript-разработчиков, у которых еще нет опыта машинного обучения или теоретического математического образования, так и для опытных пользователей ML, желающих расширить свою деятельность на экосистему javascript.

"Практическое глубокое обучение" учит полных новичков как создать наборы данных и модели, необходимые для обучения нейронных сетей для ваших собственных проектов глубокого обучения. Если вам интересно глубокое обучение, но Вы не знали с чего начать, то это книга, которую вы ждали. Сосредоточив внимание на подобласти машинного обучения, известного как глубокое обучение, она объясняет основные концепции и дает вам основу, которая вам нужна, чтобы начать строить свои собственные модели. После введения в Python вы перейдете к ключевым темам: как построить хороший тренировочный набор данных, работа с библиотеками scikit-learn и Keras и оценка производительности ваших моделей.

Вы, наверное, много слышали о глубоком обучении. Термин появляет­ся повсеместно и, кажется, относится ко всему. В действительности, глубокое обучение (deep learning) - это подмножество машинного обучения (machine learning), которое, в свою очередь, является подмножеством искусственного интеллекта (artificial intelligence - AI). Первая задача этой книги - помочь вам понять, что такое глубокое обучение на самом деле и как оно применяется в современном мире.

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас. Книга оказалась очень большой, поэтому я сделал ее двухтомником с примерно одинаковым размером. Поскольку двухтомник является, по существу, одной книгой, второй том начинается там, где заканчивается первый. В первом томе изложены фундаментальные основы глубокого обучения. Второй том посвящен нейронным сетям – быстро развивающемуся направлению машинного обучения.

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных.

Глубокое обучение (Deep Learning) - это набор алгоритмов машинного обучения, которые моделируют высокоуровневые абстракции в данных, используя архитектуры, состоящие из множества нелинейных преобразований. Согласитесь, эта фраза звучит угрожающе. Но всё не так страшно, если о глубоком обучении рассказывает Франсуа Шолле, который создал Keras - самую мощную библиотеку для работы с нейронными сетями. Познакомьтесь с глубоким обучением на практических примерах из самых разнообразных областей.

Глубокое обучение – это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала.

Перед вами - первая книга о глубоком обучении, написанная на русском языке. Глубокие модели оказались ключом, который подходит ко всем замкам сразу: новые архитектуры и алгоритмы обучения, а также увеличившиеся вычислительные мощности и появившиеся огромные наборы данных, привели к революционным прорывам в компьютерном зрении, распознавании речи, обработке естественного языка и многих других типично "человеческих" задачах машинного обучения. Эти захватывающие идеи, вся история и основные компоненты революции глубокого обучения, а также самые современные достижения этой области, доступно и интересно изложены в книге. Максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение - в этой уникальной работе замечательных российских ученых и интеллектуалов.