Математические модели машинного обучения на языках MATLAB PYTHON
Товар
- 1 раз купили
- 0 оценка
- 1 осталось
- 0 отзывов
Доставка
Характеристики
Описание
Spis treści
1. Pojęcia wstępne uczenia maszynowego ................................................................................. 9
2. Modele regresji liniowej ......................................................................................................... 12
2.1. Wprowadzenie .................................................................................................................. 12
2.2. Ogólny model regresji liniowej ........................................................................................ 13
2.3. Zastosowanie dekompozycji SVD w regresji liniowej ..................................................... 16
2.4. Implementacja regresji liniowej ....................................................................................... 21
3. Klasyfi katory KNN ................................................................................................................. 25
4. Klasyfi katory probabilistyczne Bayesa ................................................................................. 32
4.1. Wprowadzenie .................................................................................................................. 32
4.2. Pełny klasyfi kator Bayesa ................................................................................................. 32
4.3. Naiwny klasyfi kator Bayesa ............................................................................................. 38
4.4. Implementacja naiwnego klasyfi katora Bayesa w Matlabie ............................................. 43
5. Drzewa decyzyjne ................................................................................................................... 48
5.1. Wprowadzenie .................................................................................................................. 48
5.2. Struktura drzewa decyzyjnego .......................................................................................... 49
5.3. Algorytm tworzenia drzewa decyzyjnego ........................................................................ 51
5.4. Implementacja modelu drzewa decyzyjnego .................................................................... 58
5.5. Las losowy drzew decyzyjnych ........................................................................................ 64
5.5.1. Opis metody ........................................................................................................... 64
5.5.2. Implementacja lasu losowego ................................................................................ 67
6. Sieć neuronowa MLP ............................................................................................................. 73
6.1. Wprowadzenie .................................................................................................................. 73
6.2. Struktura sieci ................................................................................................................... 73
6.3. Algorytmy uczące sieci MLP ........................................................................................... 76
6.3.1. Wyznaczanie gradintu metodą propagacji wstecznej ............................................ 77
6.3.2. Algorytmy gradientowe uczenia sieci .................................................................... 80
6.3.3. Program komputerowy do uczenia sieci MLP w Matlabie .................................... 87
6.4. Przykłady użycia sieci MLP w aproksymacji danych ...................................................... 90
6.5. Praktyczne wskazówki doboru struktury sieci MLP ........................................................ 94
6 SPIS TREŚCI
7. Sieć radialna RBF ................................................................................................................. 97
7.1. Struktura sieci RBF ......................................................................................................... 97
7.2. Algorytmy uczące sieci RBF .......................................................................................... 98
7.2.1. Zastosowanie algorytmu samoorganizacji i dekompozycji SVD ........................ 99
7.2.2. Algorytm OLS ...................................................................................................... 101
7.3. Program komputerowy do uczenia sieci radialnej w Matlabie ....................................... 104
7.4. Przykłady zastosowania sieci RBF ................................................................................. 106
7.4.1. Aproksymacja funkcji nieliniowych .................................................................... 106
7.4.2. Problem 2 spiral ................................................................................................... 109
7.4.3. Sieć RBF w kalibracji sztucznego nosa ............................................................... 110
8. Sieć wektorów nośnych SVM ............................................................................................... 112
8.1. Wprowadzenie ................................................................................................................ 112
8.2. Sieć liniowa SVM w zadaniu klasyfi kacji ...................................................................... 113
8.3. Sieć nieliniowa SVM w zadaniu klasyfi kacji ................................................................. 119
8.3.1. Interpretacja mnożników Lagrange’a w rozwiązaniu sieci .................................. 125
8.3.2. Problem klasyfi kacji przy wielu klasach .............................................................. 126
8.4. Sieci SVM do zadań regresji .......................................................................................... 127
8.5. Przegląd algorytmów rozwiązania zadania dualnego ..................................................... 130
8.6. Program komputerowy uczenia sieci SVM w Matlabie ................................................. 133
8.7. Przykłady implementacji uczenia sieci SVM ................................................................. 134
8.8. Porównanie sieci SVM z innymi rozwiązaniami neuronowymi .................................... 137
9. Sieci głębokie ......................................................................................................................... 141
9.1. Wprowadzenie ............................................................................................................... 141
9.2. Sieć konwolucyjna CNN ............................................................................................... 142
9.2.1. Struktura sieci CNN .......................................................................................... 142
9.2.2. Podstawowe operacje w sieci CNN .................................................................. 144
9.2.3. Uczenie sieci CNN ............................................................................................ 150
9.3. Transfer Learning .......................................................................................................... 154
9.4. Przykład użycia sieci ALEXNET w trybie transfer learning ........................................ 157
9.5. Inne rozwiązania pre-trenowanej architektury sieci CNN ............................................ 167
9.6. Sieci CNN do detekcji obiektów w obrazie .................................................................. 175
9.6.1. Sieć YOLO ........................................................................................................ 175
9.6.2. Sieć R-CNN ...................................................................................................... 177
9.6.3. Sieć U-NET w segmentacji obrazów biomedycznych ...................................... 181
9.7. Autoenkoder .................................................................................................................. 182
9.7.1. Struktura autoenkodera ..................................................................................... 182
9.7.2. Funkcja celu ...................................................................................................... 183
9.7.3. Proces uczenia ................................................................................................... 186
9.7.4. Przykład zastosowania autoenkodera w kodowaniu danych ............................ 188
9.8. Podstawy działania autoenkodera wariacyjnego ........................................................... 192
9.9. Sieci generatywne GAN ................................................................................................ 195
9.10. Głębokie sieci rekurencyjne LSTM .............................................................................. 198
9.10.1. Wprowadzenie .................................................................................................. 198
9.10.2. Zasada działania sieci LSTM ............................................................................ 200
Гарантии
Гарантии
Мы работаем по договору оферты и предоставляем все необходимые документы.
Лёгкий возврат
Если товар не подошёл или не соответсвует описанию, мы поможем вернуть его.
Безопасная оплата
Банковской картой, электронными деньгами, наличными в офисе или на расчётный счёт.
Отзывы о товаре
