Advanced Applied Deep Learning / Michelucci, Umberto  

Público ISBD Ningún comentario para este registro. Título : Advanced Applied Deep Learning : Convolutional Neural Networks and Object Detection Tipo de documento: documento electrónico Autores: Michelucci, Umberto, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2019 Número de páginas: XVIII, 285 p. 88 ilustraciones, 28 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-4976-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Desarrollar y optimizar modelos de aprendizaje profundo con arquitecturas avanzadas. Este libro le enseña los intrincados detalles y sutilezas de los algoritmos que están en el centro de las redes neuronales convolucionales. En Aprendizaje profundo aplicado avanzado, estudiará temas avanzados sobre CNN y detección de objetos utilizando Keras y TensorFlow. A lo largo del camino, observará las operaciones fundamentales en CNN, como la convolución y la agrupación, y luego observará arquitecturas más avanzadas, como redes de inicio, resnets y muchas más. Si bien el libro analiza temas teóricos, descubrirá cómo trabajar de manera eficiente con Keras con muchos trucos y consejos, incluido cómo personalizar el inicio de sesión en Keras con clases de devolución de llamada personalizadas, qué es la ejecución entusiasta y cómo usarla en sus modelos. Finalmente, estudiarás cómo funciona la detección de objetos y crearás una implementación completa del algoritmo YOLO (solo miras una vez) en Keras y TensorFlow. Al final del libro, habrás implementado varios modelos en Keras y habrás aprendido muchos trucos avanzados que llevarán tus habilidades al siguiente nivel. Usted: Verá cómo funcionan las redes neuronales convolucionales y la detección de objetos. Guardará pesos y modelos en el disco. Pausará el entrenamiento y lo reiniciará en una etapa posterior. Usará aceleración de hardware (GPU) en su código. Trabajará con la abstracción de TensorFlow del conjunto de datos y usará modelos y transferencias previamente entrenados. aprendizaje Elimine y agregue capas a redes previamente entrenadas para adaptarlas a su proyecto específico. Aplique modelos previamente entrenados como Alexnet y VGG16 a nuevos conjuntos de datos. Nota de contenido: Chapter 1: Introduction and Development Environment Setup -- Chapter 2: TensorFlow: advanced topics -- Chapter 3: Fundamentals of Convolutional Neural Networks -- Chapter 4: Advanced CNNs and Transfer Learning -- Chapter 5: Cost functions and style transfer -- Chapter 6: Object classification - an introduction -- Chapter 7: Object localization - an implementation in Python -- Chapter 8: Histology Tissue Classification. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Advanced Applied Deep Learning : Convolutional Neural Networks and Object Detection [documento electrónico] / Michelucci, Umberto, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2019 . - XVIII, 285 p. 88 ilustraciones, 28 ilustraciones en color. ISBN : 978-1-4842-4976-5 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Desarrollar y optimizar modelos de aprendizaje profundo con arquitecturas avanzadas. Este libro le enseña los intrincados detalles y sutilezas de los algoritmos que están en el centro de las redes neuronales convolucionales. En Aprendizaje profundo aplicado avanzado, estudiará temas avanzados sobre CNN y detección de objetos utilizando Keras y TensorFlow. A lo largo del camino, observará las operaciones fundamentales en CNN, como la convolución y la agrupación, y luego observará arquitecturas más avanzadas, como redes de inicio, resnets y muchas más. Si bien el libro analiza temas teóricos, descubrirá cómo trabajar de manera eficiente con Keras con muchos trucos y consejos, incluido cómo personalizar el inicio de sesión en Keras con clases de devolución de llamada personalizadas, qué es la ejecución entusiasta y cómo usarla en sus modelos. Finalmente, estudiarás cómo funciona la detección de objetos y crearás una implementación completa del algoritmo YOLO (solo miras una vez) en Keras y TensorFlow. Al final del libro, habrás implementado varios modelos en Keras y habrás aprendido muchos trucos avanzados que llevarán tus habilidades al siguiente nivel. Usted: Verá cómo funcionan las redes neuronales convolucionales y la detección de objetos. Guardará pesos y modelos en el disco. Pausará el entrenamiento y lo reiniciará en una etapa posterior. Usará aceleración de hardware (GPU) en su código. Trabajará con la abstracción de TensorFlow del conjunto de datos y usará modelos y transferencias previamente entrenados. aprendizaje Elimine y agregue capas a redes previamente entrenadas para adaptarlas a su proyecto específico. Aplique modelos previamente entrenados como Alexnet y VGG16 a nuevos conjuntos de datos. Nota de contenido: Chapter 1: Introduction and Development Environment Setup -- Chapter 2: TensorFlow: advanced topics -- Chapter 3: Fundamentals of Convolutional Neural Networks -- Chapter 4: Advanced CNNs and Transfer Learning -- Chapter 5: Cost functions and style transfer -- Chapter 6: Object classification - an introduction -- Chapter 7: Object localization - an implementation in Python -- Chapter 8: Histology Tissue Classification. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Applied Deep Learning / Michelucci, Umberto  

Público ISBD Ningún comentario para este registro. Título : Applied Deep Learning : A Case-Based Approach to Understanding Deep Neural Networks Tipo de documento: documento electrónico Autores: Michelucci, Umberto, Autor Mención de edición: 1 ed. Editorial: Berkeley, CA : Apress Fecha de publicación: 2018 Número de páginas: XXI, 410 p. 178 ilustraciones, 7 ilustraciones en color. ISBN/ISSN/DL: 978-1-4842-3790-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Grandes datos  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Trabaje con temas avanzados en aprendizaje profundo, como algoritmos de optimización, ajuste de hiperparámetros, abandono y análisis de errores, así como estrategias para abordar los problemas típicos que se encuentran al entrenar redes neuronales profundas. Comenzará estudiando las funciones de activación principalmente con una sola neurona (ReLu, sigmoide y Swish), verá cómo realizar una regresión lineal y logística usando TensorFlow y elegirá la función de costo correcta. La siguiente sección habla de arquitecturas de redes neuronales más complicadas con varias capas y neuronas y explora el problema de la inicialización aleatoria de pesos. Se dedica un capítulo completo a una descripción completa del análisis de errores de redes neuronales, brindando ejemplos de resolución de problemas originados por varianza, sesgo, sobreajuste y conjuntos de datos provenientes de diferentes distribuciones. Applied Deep Learning también analiza cómo implementar la regresión logística completamente desde cero sin usar ninguna biblioteca de Python, excepto NumPy, para permitirle apreciar cómo bibliotecas como TensorFlow permiten experimentos rápidos y eficientes. Se incluyen estudios de caso para cada método para poner en práctica toda la información teórica. Descubrirá consejos y trucos para escribir código Python optimizado (por ejemplo, vectorizar bucles con NumPy). Usted: Implementará técnicas avanzadas de la manera correcta en Python y TensorFlow. Depurará y optimizará métodos avanzados (como abandono y regularización). Realizará análisis de errores (para darse cuenta si uno tiene un problema de sesgo, un problema de varianza, un problema de compensación de datos y etc.) Configure un proyecto de aprendizaje automático centrado en el aprendizaje profundo en un conjunto de datos complejo. Nota de contenido: Chapter 1: Introduction -- Chapter 2: Single Neurons -- Chapter 3: Fully connected Neural Network with more neurons -- Chapter 4: Neural networks error analysis -- Chapter 5: Dropout technique -- Chapter 6: Hyper parameters tuning -- Chapter 7: Tensorflow and optimizers (Gradient descent, Adam, momentum, etc.) -- Chapter 8: Convolutional Networks and image recognition -- Chapter 9: Recurrent Neural Networks -- Chapter 10: A practical COMPLETE example from scratch (put everything together) -- Chapter 11: Logistic regression implement from scratch in Python without libraries. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Applied Deep Learning : A Case-Based Approach to Understanding Deep Neural Networks [documento electrónico] / Michelucci, Umberto, Autor  . -  1 ed.  . - Berkeley, CA : Apress, 2018 . - XXI, 410 p. 178 ilustraciones, 7 ilustraciones en color. ISBN : 978-1-4842-3790-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Python (lenguaje de programa informático)  Software de código abierto  Grandes datos  Pitón  Fuente abierta Índice Dewey: 006.3 Inteligencia artificial Resumen: Trabaje con temas avanzados en aprendizaje profundo, como algoritmos de optimización, ajuste de hiperparámetros, abandono y análisis de errores, así como estrategias para abordar los problemas típicos que se encuentran al entrenar redes neuronales profundas. Comenzará estudiando las funciones de activación principalmente con una sola neurona (ReLu, sigmoide y Swish), verá cómo realizar una regresión lineal y logística usando TensorFlow y elegirá la función de costo correcta. La siguiente sección habla de arquitecturas de redes neuronales más complicadas con varias capas y neuronas y explora el problema de la inicialización aleatoria de pesos. Se dedica un capítulo completo a una descripción completa del análisis de errores de redes neuronales, brindando ejemplos de resolución de problemas originados por varianza, sesgo, sobreajuste y conjuntos de datos provenientes de diferentes distribuciones. Applied Deep Learning también analiza cómo implementar la regresión logística completamente desde cero sin usar ninguna biblioteca de Python, excepto NumPy, para permitirle apreciar cómo bibliotecas como TensorFlow permiten experimentos rápidos y eficientes. Se incluyen estudios de caso para cada método para poner en práctica toda la información teórica. Descubrirá consejos y trucos para escribir código Python optimizado (por ejemplo, vectorizar bucles con NumPy). Usted: Implementará técnicas avanzadas de la manera correcta en Python y TensorFlow. Depurará y optimizará métodos avanzados (como abandono y regularización). Realizará análisis de errores (para darse cuenta si uno tiene un problema de sesgo, un problema de varianza, un problema de compensación de datos y etc.) Configure un proyecto de aprendizaje automático centrado en el aprendizaje profundo en un conjunto de datos complejo. Nota de contenido: Chapter 1: Introduction -- Chapter 2: Single Neurons -- Chapter 3: Fully connected Neural Network with more neurons -- Chapter 4: Neural networks error analysis -- Chapter 5: Dropout technique -- Chapter 6: Hyper parameters tuning -- Chapter 7: Tensorflow and optimizers (Gradient descent, Adam, momentum, etc.) -- Chapter 8: Convolutional Networks and image recognition -- Chapter 9: Recurrent Neural Networks -- Chapter 10: A practical COMPLETE example from scratch (put everything together) -- Chapter 11: Logistic regression implement from scratch in Python without libraries. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 2 / 2) Par page : 25 50 100 200