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
  • Rysowanie danych 55
• 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
  • Splątanie 209
• Podsumowanie 213

Skorowidz 214