Cyfroteka.pl

klikaj i czytaj online

Cyfro
Czytomierz
00517 007977 20663219 na godz. na dobę w sumie
Uczenie maszynowe na Raspberry Pi - ebook/pdf
Uczenie maszynowe na Raspberry Pi - ebook/pdf
Autor: Liczba stron: 500
Wydawca: Promise Język publikacji: polski
ISBN: 978-83-754-1421-9 Data wydania:
Lektor:
Kategoria: ebooki >> komputery i informatyka >> hardware >> raspberry pi
Porównaj ceny (książka, ebook, audiobook).

Rozwijaj i replikuj interesujące eksperymenty uczenia maszynowego (ML) przy użyciu kamery Pi Camera i płytki Raspberry Pi. Niniejsza książka zapewnia solidny przegląd technik uczenia maszynowego i niezliczonych zagadnień leżących u jego podstaw, zachęcając do ich dalszego poznawania. Nietechniczne omówienia równoważą złożone objaśnienia techniczne, sprawiając, że najnowszy i najbardziej złożony temat w świecie hobbystów informatyki staje się zrozumiały i przystępny. Uczenie maszynowe, odwołujące się zwykle także do uczenia głębokiego (DL) jest obecnie zintegrowane z mnóstwem komercyjnych produktów, a także szeroko stosowane w przemyśle, medycynie i wojskowości. Trudno znaleźć jakąkolwiek nowoczesną działalność człowieka, która nie została 'dotknięta' przez aplikacje sztucznej inteligencji (AI). Bazując na koncepcjach wprowadzonych w książce Beginning Artificial Intelligence with the Raspberry Pi, niniejsza książka prowadzi poza proste rozumienie koncepcji AI do rzeczywistych doświadczeń z wykorzystaniem uczenia maszynowego i praktycznych zastosowań koncepcji uczenia głębokiego w eksperymentach związanych z rozpoznawaniem obrazów przy użyciu płytki Pi. Koncepcje związane z uczeniem maszynowym na Raspberry Pi można przenieść na inne platformy, wchodząc jeszcze dalej w świat sztucznej inteligencji i uczenia maszynowego, aby realizować coraz lepsze projekty hobbystyczne lub komercyjne.

Znajdź podobne książki Ostatnio czytane w tej kategorii

Darmowy fragment publikacji:

Strona tytułowa Donald J. Norris Uczenie maszynowe na Raspberry Pi Eksperymentowanie z danymi i rozpoznawaniem obrazów Przekład: Maria Chaniewska APN Promise, Warszawa 2020 Spis treści O autorze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii Przykłady kodu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii Rozdział 1. Wprowadzenie do uczenia maszynowego (ML) na Raspberry Pi (RasPi) . . . . 1 Wprowadzenie do RasPi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Zapisywanie obrazu systemu Raspbian na kartę micro SD . . . . . . . . . . . . . . . . . . . . . . . . . 4 Aktualizowanie i uaktualnianie dystrybucji systemu Raspbian . . . . . . . . . . . . . . . . . . . . . . 13 Fakty dotyczące uczenia maszynowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 Rozdział 2. Badanie modelu danych uczenia maszynowego: część 1 . . . . . . . . . . . . . . . 43 Instalacja OpenCV 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 Pobieranie kodu źródłowego OpenCV 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 Kompilacja oprogramowania OpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 Biblioteka wizualizacji danych Seaborn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 Ważna podstawowa zasada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 Naiwny klasyfi kator Bayesa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 Model k najbliższych sąsiadów (kNN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Demonstracja kNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 Klasyfi kator drzewa decyzyjnego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93 Algorytm drzewa decyzyjnego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 Demonstracja klasyfi katora drzewa decyzyjnego w scikit-learn . . . . . . . . . . . . . . . . . . . . 106 Rozdział 3. Badanie modeli danych uczenia maszynowego: część 2. . . . . . . . . . . . . . . 117 Analiza głównych składowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 Opis skryptu PCA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119 Liniowa analiza dyskryminacyjna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 Opis skryptu LDA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 iii Spis treści Maszyny wektorów nośnych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141 Demonstracja SVM – część 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 Demonstracja SVM – część 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148 Kwantyzacja wektorów uczących . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 Podstawowe koncepcje LVQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155 Demonstracja LVQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157 Bagging i lasy losowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166 Wprowadzenie do algorytmów bagging i lasów losowych . . . . . . . . . . . . . . . . . . . . . . . . 166 Demonstracja ponownego próbkowania metodą bootstrap . . . . . . . . . . . . . . . . . . . . . . . 169 Demonstracja algorytmu bagging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 Demonstracja lasu losowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 Rozdział 4. Przygotowanie do uczenia głębokiego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 Podstawy uczenia głębokiego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189 Uczenie maszynowe na podstawie wzorców danych . . . . . . . . . . . . . . . . . . . . . . . . . . . 190 Funkcje straty . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196 Algorytm optymalizatora. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199 Sztuczna sieć neuronowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208 Uczenie i działanie sztucznych sieci neuronowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 Praktyczny przykład modyfi kacji wag sieci neuronowej . . . . . . . . . . . . . . . . . . . . . . . . . . 228 Demonstracja sieci neuronowej w Pythonie – część 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 231 Demonstracja sieci neuronowej w Pythonie – część 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 236 Rozdział 5. Praktyczne demonstracje uczenia głębokiego sztucznych sieci neuronowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245 Lista części . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246 Demonstracja rozpoznawania odręcznie pisanych cyfr . . . . . . . . . . . . . . . . . . . . . . . . . 246 Szczegóły historii i przygotowania projektu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250 Dostosowywanie wejściowych zbiorów danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256 Interpretacja wartości danych wyjściowych sieci ANN. . . . . . . . . . . . . . . . . . . . . . . . . . . 258 Tworzenie sieci do rozpoznawania odręcznie napisanych cyfr . . . . . . . . . . . . . . . . . . . . 260 Demonstracja początkowego skryptu uczącego sieci neuronowej . . . . . . . . . . . . . . . . . . 261 Demonstracja skryptu testującego sieć neuronową . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263 Demonstracja skryptu testowego sieci neuronowej z wykorzystaniem pełnego iv Spis treści zbioru testowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270 Rozpoznawanie samodzielnie napisanych cyfr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274 Rozpoznawanie cyfr napisanych odręcznie przy użyciu biblioteki Keras . . . . . . . . . . . . 283 Wprowadzenie do biblioteki Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283 Instalacja biblioteki Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284 Pobieranie zbioru danych i tworzenie modelu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284 Rozdział 6. Demonstracje konwolucyjnych sieci neuronowych . . . . . . . . . . . . . . . . . . . 293 Lista części . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293 Wprowadzenie do modelu CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294 Historia i ewolucja sieci CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299 Demonstracja rozpoznawania odzieży ze zbioru MNIST . . . . . . . . . . . . . . . . . . . . . . . . 312 Bardziej złożona demonstracja rozpoznawania odzieży ze zbioru MNIST . . . . . . . . . . . 321 Demonstracja modelu VGG do rozpoznawania odzieży ze zbioru MNIST . . . . . . . . . . . . 325 Demonstracja rozpoznawania odzieży ze zbioru MNIST według Jasona . . . . . . . . . . . . 330 Rozdział 7. Prognozowanie przy użyciu zwykłych i konwolucyjnych sieci neuronowych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337 Demonstracja dotycząca cukrzycy w plemieniu Indian Pima . . . . . . . . . . . . . . . . . . . . 338 Tło badania cukrzycy w plemieniu Indian Pima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 338 Przygotowywanie danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339 Użycie biblioteki scikit-learn z Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 355 Optymalizowanie hiperparametrów przy użyciu Keras i scikit-learn . . . . . . . . . . . . . . . . . 358 Demonstracja predyktora regresji cen nieruchomości . . . . . . . . . . . . . . . . . . . . . . . . . . 362 Wstępne przetwarzanie danych . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363 Model bazowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367 Poprawiony model bazowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 371 Inny poprawiony model bazowy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374 Predykcje przy użyciu sieci CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377 Model CNN szeregu czasowego jednej zmiennej . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378 Rozdział 8. Prognozowanie przy użyciu modeli CNN i MLP w badaniach medycznych 395 Lista części . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396 Pobieranie zbioru danych obrazów histologicznych raka piersi . . . . . . . . . . . . . . . . . . . 396 v Spis treści Przygotowanie środowiska projektowego . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400 Użycie modelu MLP do prognozowania raka piersi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 427 Rozdział 9. Uczenie przez wzmacnianie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435 Proces decyzyjny Markowa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437 Zdyskontowana przyszła nagroda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 438 Uczenie metodą Q-learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439 Q-learning i sieci neuronowe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 475 Indeks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 481 vi
Pobierz darmowy fragment (pdf)

Gdzie kupić całą publikację:

Uczenie maszynowe na Raspberry Pi
Autor:

Opinie na temat publikacji:


Inne popularne pozycje z tej kategorii:


Czytaj również:


Prowadzisz stronę lub blog? Wstaw link do fragmentu tej książki i współpracuj z Cyfroteką: