Оглавление
Каниа Алексеевич Кан. Нейронные сети. Эволюция
Пролог
Технология искусственных нейронных сетей
Введение
Цель книги. Для кого она предназначена
Что мы будем делать
Как мы будем это делать
ГЛАВА 1
Основа для создания искусственного нейрона
Где используются нейронные сети
Как устроены биологические нейронные сети
Уровень вычислительной мощности для моделирования ИНС
Почему работают нейронные сети
Как автоматизировать работу
Линейная классификация
ГЛАВА 2
Изучаем Python
Создаем нейронную сеть на Python
Установка пакета Anaconda Python
Простое введение в Python
ГЛАВА 3
Рождение искусственного нейрона
Моделирование нейрона как линейного классификатора
ГЛАВА 4
Добавляем входной параметр
Моделирование нейрона как линейного классификатора со всеми параметрами линейной функции
Обновление весовых коэффициентов
Применение дифференциального исчисления, понятие производной
Производная функции
Нахождение некоторых табличных производных
Правила дифференцирования и дифференцирование сложных функций
Зачем нам дифференцировать функции
Как мы обновляем весовые коэффициенты
Как работает эволюционировавший нейрон
ГЛАВА 5
Больше входных данных
Проблемы линейной классификации
Логические функции
Функция единичного скачка
Искусственный нейрон
Практикум по функции логического (И)
Функция логического (ИЛИ)
Распознавание цифры
Преимущества и недостатки между функцией единичного скачка и линейной функцией
Логистическая функция (Сигмоидальная функция или сигмоида)
Распознаем цифру при помощи логистической функции активации
Практика распознавания цифры с применением сигмоиды
ГЛАВА 6
Распознаем больше данных
Как распознать несколько данных
Действия с матрицами
Практика и ещё раз практика
ГЛАВА 7
Нейронные сети
Виды искусственных нейронных сетей
Преимущества многослойных сетей
Распространение ошибки назад
Распространение ошибки между слоями
Метод обратного распространения ошибки в матричной форме
Практика по решению логических функций с использованием логистических функций
Работа скрытого слоя
Набор данных рукописных цифр MNIST
ГЛАВА 8
Свёрточная нейронная сеть
Сегментация изображений
Что происходит при обучении
Практика по свёртки значений изображения
Практика обратного распространения ошибки и обновления весов ядра свёртки
Глубокие нейронные сети и проблемы их реализации
Реализация сети с одним свёрточным слоем
Реализация сети с двумя свёрточными слоями
Слой макспулинга
Функция активации Softmax (софтмакс)
ЭПИЛОГ
Отрывок из книги
С течением времени, по сегодняшний день, человечество сделало не мало для того чтоб приспособится самому и приспособить окружающий мир под себя. Было сделано немало научных открытий, инженерных изобретений, на основе которых создавались целые отрасли промышленности (машиностроение, энергетика, цифровые технологии и т.д.), которые значительно облегчили жизнь людей.
Но двигаясь вперед, все более актуален вопрос эффективного управления созданным хозяйством. Сегодня, для того чтобы человечеству хватило ресурса для освоения нового и развития уже созданного, требуется новые технологии, которые могли бы справиться с поставленной задачей более эффективно, значительно облегчая и даже заменяя труд людей.
.....
plt.scatter(x_data, y_data, color ='g', s=10)
Метод plot выводит на плоскость прямую по заданным точкам:
.....
