Инсайдер технологии искусственного интеллекта на уровне предприятия: разработка структуры глубокого обучения + практика машинного обучения + Decryption Alluxio
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Выбор редактора
Полное объяснение кода разработки структуры глубокого обучения,
Подробное объяснение случаев машинного обучения,
Тщательный анализ платформы искусственного интеллекта с открытым исходным кодом и платформы оркестрации хранилищ больших данных Alluxio.
Каталог
Специальная тема о разработке платформы искусственного интеллекта Pangu
Глава 1 Введение: Почему искусственный интеллект — это неизбежное будущее 3
1.1 Зачем нужен искусственный интеллект? 3
1.2 Почему искусственный интеллект настолько силен? 4
1.3 Правильный способ изучения искусственного интеллекта 6
1.4 Связь между искусственным интеллектом, машинным обучением и глубоким обучением 6
1.5 Десять классических сценариев применения искусственного интеллекта 7
1.6 Причина, по которой искусственный интеллект незаменим при массовой обработке данных 9
1.7 Установка среды разработки для этой книги 10
Глава 2 Реализация многоуровневой нейронной сети в системе искусственного интеллекта Pangu 12
2.1 Платформа искусственного интеллекта Пангу 12
2.2 Реализовать структуру узлов нейронной сети 17
2.3 Реализовать связь узлов между слоями нейронной сети 25
2.4 Как инициализировать веса нейронной сети 29
2.5 Реализация нескольких скрытых слоев 30
Глава 3 Функция прямого распространения структуры искусственного интеллекта Pangu 35
3.1 Функция прямого распространения 35
3.1.1 Поймите функцию прямого распространения из визуального процесса выполнения TensorFlow. 35
3.1.2 Понимание функции прямого распространения на архитектурном уровне 37
3.1.3 Понять принцип прямого распространения 37
3.2 Увеличение ввода данных и результатов вычислений на каждом узле 39
3.3 Реализуйте алгоритм прямого распространения 45
3.4 Используйте сигмовидную функцию в качестве функции активации. 49
3.5 Протестируйте алгоритм прямого распространения и проанализируйте результаты вычислений. 51
Глава 4 Функция обратного распространения структуры искусственного интеллекта Pangu 54
4.1 Как учится глубокое обучение 54
4.2 Реализовать алгоритм обратного распространения ошибки 60
4.3 Результаты вычислений и анализ алгоритма обратного распространения ошибки 67
Глава 5 Расчет потерь и визуализация системы искусственного интеллекта Pangu 71
5.1 Мысли о степени потери—&- Пожизненное проклятие всех систем искусственного интеллекта. 71
5.2 Кодирование для достижения потерь и тестирования 74
5.3 Визуализация результатов работы степени потерь 77
Глава 6 Оптимизация структуры искусственного интеллекта Pangu посредством нормализации функций и адаптивного обучения 81
6.1 Тестирование производительности платформы искусственного интеллекта Pangu и анализ проблем 81
6.2 Используйте нормализацию функций для оптимизации производительности. 87
6.3 Использование адаптивного обучения для оптимизации производительности 91
Глава 7 Краткое изложение методов реализации платформы искусственного интеллекта Pangu 96
7.1 Тест производительности платформы искусственного интеллекта Pangu 96
7.2 Реализация нейронной сети и сравнение с TensorFlow 97
7.3 Реализация алгоритма прямого распространения и сравнение алгоритмов с TensorFlow 98
7.4 Реализация алгоритма обратного распространения ошибки и сравнение с TensorFlow 99
7.5 Сравнение реализации расчета потерь и TensorFlow 100
7.6 Исходный код платформы искусственного интеллекта Pangu 103
Глава 8 Используйте матричный метод для написания структуры искусственного интеллекта 115
8.1 Используйте матрицы для написания фреймворков искусственного интеллекта 115
8.2 Тестирование и анализ результатов расчетов 121
8.3 Оптимизировать структуру искусственного интеллекта, написанную с использованием матричного метода. 125
Глава 9 Используйте четыре матрицы оптимизации производительности, чтобы написать структуру искусственного интеллекта. 129
9.1 Ловушка градиентного спуска 130
9.2 Добавьте и настройте альфа-параметры 131
9.3 Улучшение и оптимизация системы искусственного интеллекта 137
Глава 10 Искусственный интеллект и расшифровка элементов восприятия 146
10.1 Что такое искусственный интеллект, как его делать и почему перспективы хорошие 146
10.2 Дилеммы и прорывы, с которыми сталкивается компьютерное зрение 148
10.3 Расшифровка перцептрона 149
10.4 Компьютерное распознавание изображений 151
Глава 11 Структура нейронной сети и сигмовидная функция 159
11.1 Нейронная сеть реализует вентиль NAND 159
11.2 Почему нейронные сети могут выполнять различные вычисления? 160
11.3 Расшифровка структуры нейронной сети 162
11.4 Код проектирования и реализации функции Sigmoid 163
11.5 Слабые стороны и улучшения функции сигмовидной кишки 166
Глава 12 Использование нейронных сетей для распознавания рукописных цифр 173
12.1 Принцип нейросетевого распознавания рукописных цифр 173
12.2 Почему выходной слой трехслойной нейронной сети, распознающей числа, имеет 10 нейронов? 175
12.3 Анализ библиотеки изображений набора данных MINST 176
12.4 Использование фреймворка PyTorch для реализации программы распознавания рукописных цифр MNIST. 178
Глава 13 Проектирование и реализация метода потерь и градиентного спуска при написании структуры искусственного интеллекта. 187
13.1 Существенный анализ функции потерь 187
13.2 Суть градиентного спуска 187
13.3 Разработка и реализация метода стохастического градиентного спуска 189
13.4 Поймите градиентный спуск на простом примере 191
Глава 14 Распознавание цифр MNIST 194
14.1 Загрузка данных MNIST 194
14.2 Инициализация нейронной сети 199
14.3 Функции прямого и обратного распространения ошибки 201
14.4 Мини-пакетный стохастический градиентный спуск 204
14.5 Функция потерь и функция оценки 205
14.6 Настройка гиперпараметров 206
Глава 15 Анализ процесса работы нейронной сети с точки зрения матрицы 211
15.1 Сущность скалярного и внешнего продукта 211
15.2 Анализ процесса вычислений нейронной сети с точки зрения матрицы 213
15.3 Функция потерь в нейронной сети 215
15.4 Четыре основные математические формулы нейронной сети искусственного интеллекта 216
Глава 16 Приложение для разработки Spark PyTorch 221
16.1 Случай с инфраструктурой глубокого обучения PyTorch 221
16.1.1 Анализ сценария применения кейса 221
16.1.2 Анализ данных и предварительная обработка дел 221
16.1.3 Практический пример глубокого обучения PyTorch 226
16.1.4 Интерпретация предварительно обученной модели BERT PyTorch 249
16.2 Комплексный вариант разработки Spark Alluxio PyTorch 258
Введение
«Инсайдерская часть технологии искусственного интеллекта корпоративного уровня: разработка платформы глубокого обучения, практический пример машинного обучения, расшифровка Alluxio» разделена на специальную главу «Разработка платформы искусственного интеллекта Pangu», главу «Примеры машинного обучения» и главу «Расшифровка управления распределенной памятью Alluxio», в которых представлен тщательный анализ среды разработки искусственного интеллекта, случаев машинного обучения и системы Alluxio соответственно. В специальной главе, посвященной разработке структуры искусственного интеллекта Pangu, описываются многоуровневые нейронные сети, алгоритмы прямого распространения, алгоритмы обратного распространения, расчет и визуализация потерь, адаптивное обучение и нормализация функций с помощью кода.В этой практической главе, посвященной случаям машинного обучения, выбираются наиболее репрезентативные классические случаи машинного обучения, чтобы подробно объяснить предварительную обработку данных машинного обучения, простую линейную регрессию, множественную линейную регрессию, полиномиальную регрессию, регрессию опорных векторов, регрессию дерева решений, регрессию случайного леса и другие алгоритмы регрессии, логистическую регрессию, алгоритм k-ближайшего соседа, машину опорных векторов, наивный Байес, классификацию дерева решений, классификацию случайного леса и другие алгоритмы классификации, кластеризацию k-средних, иерархическую кластеризацию и другую кластеризацию.алгоритмы и алгоритмы корреляционного анализа, а также выполнять оценку производительности регрессионных моделей и моделей классификации.Расшифровка управления распределенной памятью Alluxio, подробное объяснение архитектуры Alluxio, развертывания, базовых приложений хранения и вычислений, базового использования, эксплуатации и обслуживания и т. д.
об авторе
Ван Цзялинь, руководитель Apache Spark, в настоящее время работает в ведущей лаборатории искусственного интеллекта в Кремниевой долине, специализируясь на структуре НЛП.Он является автором более 20 книг по Spark, AI и Android.
Дуань Чжихуа
Работал в Шанхайском филиале China Telecom Co., Ltd. системным архитектором и экспертом по блогам CSDN.Сосредоточьтесь на исследованиях, разработках и продвижении технологии больших данных Spark, следите за развитием технологии основного исходного кода Spark, проводите углубленные исследования по оптимизации исходного кода версий Spark 2.1.1 и версии Spark 2.2.0, а также имейте богатый практический опыт и большой интерес к обработке больших данных Spark, машинному обучению и другим техническим областям.