Uczenie maszynowe weszło już do kanonu technologii informatycznych. Praktyczne umiejętności w tej dziedzinie powinien posiadać każdy programista i analityk. Standardowo do rozwiązań związanych z machine learning stosuje się Pythona i opracowane dla niego biblioteki, niemniej równie skutecznie można do tego celu używać innych języków programowania. Trzeba jedynie dobrze zaznajomić się z wdrożeniami algorytmów uczenia maszynowego. Niezwykle ciekawym rozwiązaniem jest pisanie takich implementacji w C#. Przemawiają za tym nie tylko zalety samego języka, ale i to, że większość aplikacji dla profesjonalistów jest pisana w C# przy użyciu takich narzędzi jak Visual Studio, SQL Server, Unity czy Microsoft Azure.
Ta książka jest przeznaczona dla doświadczonych programistów C#, którzy chcą nauczyć się technik machine learning, deep learning i sztucznej inteligencji. Opisano tu dostępne narzędzia do uczenia maszynowego, dzięki którym można łatwo budować inteligentne aplikacje .NET wykorzystujące takie rozwiązania jak wykrywanie obrazów lub ruchu, wnioskowanie bayesowskie, głębokie uczenie i głęboka wiara. Omówiono zasady implementacji algorytmów uczenia nadzorowanego i nienadzorowanego oraz ich zastosowanie w budowie modeli predykcji. Przedstawiono różne techniki, od prostej regresji liniowej, przez drzewa decyzyjne i SVM, po zaawansowane rozwiązania, takie jak sztuczne sieci neuronowe, autoenkodery lub uczenie ze wzmocnieniem.
Najciekawsze zagadnienia przedstawione w książce:
- podstawy uczenia maszynowego
- wykorzystywanie logiki rozmytej
- mapy samoorganizujące się
- framework Kelp.Net i jego integracja z systemem ReflectInsight
- realia obliczeń kwantowych
Uczenie maszynowe - najlepiej z wydajnym C#!
Rozdziały:
O autorze 11
O recenzencie 12
Wstęp 9
Rozdział 1. Podstawy uczenia maszynowego 13
- Wprowadzenie do uczenia maszynowego 14
- Wydobywanie danych 18
- Sztuczna inteligencja 18
- Bio-SI 18
- Uczenie głębokie 19
- Probabilistyka i statystyka 19
- Rozpoczynanie projektu uczenia maszynowego 20
- Zbieranie danych 20
- Przygotowanie danych 20
- Wybranie modelu i trening 21
- Ocena modelu 22
- Poprawianie modelu 22
- Zbiór danych o irysach 22
- Rodzaje uczenia maszynowego 24
- Uczenie nadzorowane 25
- Kompromis odchylenie - wariancja 25
- Ilość danych treningowych 26
- Wymiarowość przestrzeni wejścia 27
- Nieprawidłowe wartości wyjścia 27
- Heterogeniczność danych 27
- Uczenie nienadzorowane 28
- Uczenie ze wzmocnieniem 29
- Lepiej kupić, zbudować czy skorzystać z otwartych źródeł? 29
- Dodatkowa lektura 30
- Podsumowanie 31
- Odwołania 31
Rozdział 2. ReflectInsight - monitorowanie w czasie rzeczywistym 33
- Router 34
- Przeglądarka protokołu 35
- Przeglądarka na żywo 35
- Nawigacja w komunikatach 35
- Przeszukiwanie komunikatów 38
- Formatowanie czasu i daty 38
- Automatyczne zapisywanie i czyszczenie 39
- SDK 43
- Edytor konfiguracji 43
- Podsumowanie 45
Rozdział 3. Wnioskowanie Bayesa - rozwiązywanie zagadki ucieczki z miejsca wypadku i analizowanie danych 47
- Twierdzenie Bayesa 48
- Naiwny klasyfikator bayesowski i rysowanie danych 54
- Podsumowanie 61
- Odwołania 63
Rozdział 4. Ryzyko i nagroda - uczenie ze wzmocnieniem 65
- Uczenie ze wzmocnieniem 65
- Rodzaje uczenia 68
- Q-uczenie 68
- SARSA 69
- Uruchamianie aplikacji 69
- Wieże Hanoi 74
- Podsumowanie 80
- Odwołania 81
Rozdział 5. Logika rozmyta - nawigowanie na torze przeszkód 83
- Logika rozmyta 84
- Pojazd kierowany automatycznie 86
- Podsumowanie 95
- Odwołania 95
Rozdział 6. Łączenie kolorów - mapy samoorganizujące i elastyczne sieci neuronowe 97
- Zrozumieć istotę sieci samoorganizującej 98
- Podsumowanie 112
Rozdział 7. Wykrywanie twarzy i ruchu - filtrowanie obrazów 113
- Wykrywanie twarzy 114
- Wykrywanie ruchu 122
- Dodawanie funkcji wykrywania ruchu do swojej aplikacji 125
- Podsumowanie 127
Rozdział 8. Encyklopedia i neurony - problem komiwojażera 129
- Problem komiwojażera 129
- Parametr współczynnika uczenia 147
- Promień uczenia 148
- Podsumowanie 148
Rozdział 9. Mam przyjąć tę pracę? - drzewa decyzji w akcji 149
- Drzewo decyzyjne 150
- Węzeł decyzyjny 151
- Zmienna decyzyjna 151
- Kolekcja węzłów gałęzi decyzyjnej 151
- Mam przyjąć tę pracę? 152
- numl 154
- Drzewa decyzyjne w Accord.NET 155
- Kod uczący 156
- Tablica pomyłek 158
- Wizualizacja typu błędu 159
- Podsumowanie 161
- Odwołania 161
Rozdział 10. Głęboka wiara - głębokie sieci i sny 163
- Ograniczone maszyny Boltzmanna 163
- Warstwy 166
- O czym śni komputer? 171
- Podsumowanie 175
- Odwołania 175
Rozdział 11. Mikrotesty porównawcze i funkcje aktywacji 177
- Rysowanie funkcji aktywacji 178
- Rysowanie wszystkich funkcji aktywacji 180
- Główna funkcja rysująca 181
- Testy porównawcze 182
- Podsumowanie 186
Rozdział 12. Intuicyjne uczenie głębokie w C# i .NET 187
- Czym jest uczenie głębokie? 188
- OpenCL 189
- Hierarchia OpenCL 189
- Framework Kelp.Net 192
- Funkcje 192
- Stosy funkcji 192
- Słowniki funkcji 194
- Caffe 194
- Strata 195
- Optymalizacje 195
- Zbiory danych 196
- Testy 198
- Monitorowanie w Kelp.Net 199
- Weaver 200
- Tworzenie testów 202
- Testy porównawcze funkcji 203
- Uruchamianie testu porównawczego 203
- Podsumowanie 206
- Odwołania 206
Rozdział 13. Obliczenia kwantowe - spojrzenie w przyszłość 207
- Superpozycja 209
- Teleportacja 209
- Podsumowanie 213
Skorowidz 214
