ДМК-Пресс Машинное обучение и безопасность. Защита систем с помощью данных и алгоритмов Чио Кларенс, Фримэн Дэвид

Н20 - простая в использовании и открытая библиотека, которая поддерживает большое количество операционных систем и языков программирования, а также масштабируется для обработки больших данных. Эта книга научит вас использовать алгоритмы машинного обучения, реализованные в Н2О, с упором на наиболее важные для продуктивной работы аспекты. Рассмотрены глубокое обучение, случайный лес, обучение на неразмеченных данных и ансамбли моделей • В российское издание добавлены дополнительно два приложения, описывающих новейшие модули Н2О - Deep Water и Stacked Ensemble • Издание предназначено для специалистов по анализу данных, желающих изучить и применять на практике относительно новый, но многообещающий инструмент - библиотеку Н2О

Перед вами один из самых интересных учебников по машинному обучению - разделу искусственного интеллекта, изучающего методы построения моделей, способных обучаться, и алгоритмов для их построения. Автор воздал должное невероятному богатству предмета и не упустил из вида объединяющих принципов. Читатель с первых страниц погружается в машинное обучение в действии, но без не нужных на первых порах технических деталей. По мере изучения предмета тщательно подобранные примеры, сопровождаемые иллюстрациями, постепенно усложняются • В книге описан широкий круг логических, геометрических и статистических моделей, затрагиваются и такие находящиеся на переднем крае науки темы, как матричная факторизация и анализ РХП. Особое внимание уделено важнейшей роли признаков

Elastic Stack – это комплексное решение для анализа журналов, которое помогает пользователям эффективно получать, обрабатывать и анализировать данные поиска. Книга содержит всесторонний обзор функций машинного обучения Elastic Stack (Elastic ML) как для анализа данных временных рядов, так и для классификации, регрессии и обнаружения выбросов. Концепции машинного обучения объясняются понятным и доступным языком. Рассмотрен анализ временных рядов для различных типов данных, таких как файлы журналов, сетевые потоки, показатели приложений и финансовые данные. Описано использование Elastic ML для ведения журнала, обеспечения безопасности и отслеживания показателей • После прочтения вы приобретете практический опыт совместного ис-пользования технологии машинного обучения и Elastic Stack, а также знания, необходимые для включения машинного обучения в вашу платформу распределенного поиска и анализа данных

Приложения машинного обучения демонстрируют лучшую эффективность при наличии обратной связи с человеком. Привлечение к работе подходящих сотрудников повышает точность моделей, уменьшает количество ошибок в данных, сокращает расходы и помогает ускорить выпуск моделей • В книге изложены методики эффективной совместной работы людей и машин. Здесь вы найдете лучшие практики по выбору образцов данных для обратной связи с человеком, контролю качества аннотаций человека и разработке интерфейсов аннотаций • Вы научитесь создавать обучающие данные для маркировки, распознавания объектов, семантической сегментации, маркировки последовательностей и многого другого. Книга начинается с основ и переходит к продвинутым методам, таким как обучение переноса и самоконтроль в рабочих процессах аннотирования

В книге рассказывается о том, как использовать глубокие нейронные сети для создания эффективных поисковых систем. Рассматривается несколько компонентов поисковой системы, дается представление о том, как они работают, и приводятся рекомендации по использованию нейронных сетей в разных контекстах поиска. Особое внимание уделено практическому объяснению методов поиска и глубокого машинного обучения на базе примеров, большинство которых включает фрагменты кода • Автор освещает основные проблемы, связанные с поисковыми системами, и указывает пути решения этих проблем. Он раскрывает принципы тестирования эффективности нейронных сетей, а также измерения их затрат и выгод • Издание предназначено для читателей, владеющих программированием на среднем уровне и отлаживающих поисковые системы с целью повышения их эффективности, то есть выдачи наиболее релевантных результатов

Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Поскольку компьютер приобретает знания из опыта, отпадает нужда в человеке-операторе, который формально описывает необходимые компьютеру знания. Иерархическая организация позволяет компьютеру обучаться сложным концепциям, конструируя их из более простых; граф такой иерархии может содержать много уровней. В этой книге читатель найдет широкий обзор тем, изучаемых в глубоком обучении • Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей, и др

Если вы интересуетесь машинным обучением (Machine Learning) и глубоким обучением (Deep Learning), то этот двухтомник для вас • Эта книга не похожа на большинство других учебников и руководств по глубокому обучению – в ней нет ни детального алгоритмического анализа, сопровождаемого обширной математикой, ни развернутых листингов программного кода. Автор выбрал золотую середину - благодаря дружелюбному подходу, сопровождаемому огромным количеством цветных иллюстраций, а также детальному и скрупулезному описанию, он глубоко освещает основополагающие идеи глубокого обучения и нейронных сетей • Второй том посвящен нейронным сетях – быстро развивающемуся направлению машинного обучения. В первом томе, вышедшем в издательстве «ДМК Пресс» ранее, изложены фундаментальные основы глубокого обучения

Перед вами второе, расширенное в 1.5 раза издание бестселлера от автора библиотеки Keras • Умение работать с моделями глубокого обучения стало важным навыком современных ученых, исследователей и программистов. API языка R для Keras и TensorFlow делает глубокое обучение доступным для всех пользователей R, даже если у них нет опыта работы с машинным обучением или нейронными сетями • Интуитивно понятные объяснения, четкие иллюстрации и наглядные примеры помогут вам освоить основные навыки глубокого обучения с помощью R, такие как компьютерное зрение, обработка естественного языка, работа с текстом, и даже изучить передовую архитектуру Transformer • Для читателей со средними навыками программирования на R. Опыт работы с Keras, TensorFlow или моделями глубокого обучения не требуется

Все, что должен знать разработчик-практик, чтобы приступить к применению глубокого обучения для решения реальных задач! • Интерес к машинному обучению зашкаливает, но завышенные ожидания нередко губят проекты еще на ранней стадии. Как машинное обучение - и особенно глубокие нейронные сети - может изменить вашу организацию? • Эта книга не только содержит практически полезную информацию о предмете, но и поможет приступить к созданию эффективных сетей глубокого обучения • Авторы сначала раскрывают фундаментальные вопросы глубокого обучения - настройка, распараллеливание, векторизация, конвейеры операций - актуальные для любой библиотеки, а затем переходят к библиотеке Deeplearning4j (DL4J), предназначенной для разработки технологических процессов профессионального уровня

Данная книга представляет co6oй современное руководство для всех пишущих на C++ программистов, которые хотят научиться pa6oтaть с 6и6лиoтeкoй Threading Building Blocks (TBB). Написанная специалистами по TBB и параллельному программированию, она подытоживает их многолетний коллективный опыт paзpa6oтки и преподавания параллельного программирования с помощью TBB • В книге приводятся многочисленные примеры и рекомендации, которые помогут вам в полной мере овладеть TBB и задействовать всю мощь параллельных систем • Краткое содержание • использование TBB для paзpa6oтки переносимого, простого, масштабируемого и 6oлee понятного кода • передовые методы распараллеливания счетных задач • интеграция TBB с другими пакетами многопоточного программирования • создание мacштa6иpyeмыx высокопроизводительных программ, распараллеленных по данным • применение обобщенного программирования для написания эффективных алгоритмов

Древняя стратегическая игра го представляет собой отличный пример для демонстрации возможностей искусственного интеллекта. В 2016 году система, основанная на принципах глубокого обучения, потрясла мир го, победив одного из чемпионов. Вскоре после этого модернизированный алгоритм AlphaGo Zero сокрушил оригинальную версию бота благодаря использованию при освоении игры методов глубокого обучения с подкреплением. Теперь и вы можете освоить те же самые методы глубокого обучения, создав собственный бот для игры в го! • В данной книге вы познакомитесь с методами глубокого обучения и научитесь создавать го-ботов. По мере чтения вы будете применять все более сложные методы и стратегии обучения, используя библиотеку глубокого обучения Keras, написанную на языке Python

Книга представляет собой введение в классическое компьютерное зрение. Автор показывает, как можно разложить на части и решить сложные задачи в этой сфере с помощью всего нескольких простых строк кода • Machine Vision Toolbox for MATLAB — открытое программное обеспечение, которое позволяет читателю легко применять алгоритмические концепции на практике и работать с нетривиальными задачами. Раскрываются теоретические основы алгоритмов, а многочисленные примеры кода иллюстрируют его использование • В числе рассматриваемых тем • - основы света и цвета • - моделирование камер • - обработка изображений • - извлечение признаков и многоракурсной геометрии • - камеры без перспективы • - камеры светового поля • - калибровка, стереозрение и формирование стереопар