Товары по запросу: Надежности нейронных сетей укрепляем

Глубокие нейронные сети (DNN) становятся неотъемлемой частью IT-продуктов, провоцируя появление нового направления кибератак. Хакеры пытаются обмануть нейросети с помощью данных, которые не смогли бы обмануть человека.Кэти Уорр рассматривает мотивацию подобных атак, риски, которые влечет вредоносный ввод, а также методы повышения устойчивости ИИ к таким взломам. Если вы специалист по data science, архитектор системы безопасности и стремитесь повысить устойчивость систем с ИИ или вас просто интересует различие между искусственным и биологическим восприятием, то эта книга для вас.

• Nadezhnost-neyronnykh-setey-ukreplyaem

Глубокие нейронные сети (DNN) становятся неотъемлемой частью IT-продуктов, провоцируя появление нового направления кибератак. Хакеры пытаются обмануть нейросети с помощью данных, которые не смогли бы обмануть человека. Кэти Уорр рассматривает мотивацию подобных атак, риски, которые влечет вредоносный ввод, а также методы повышения устойчивости ИИ к таким взломам. Если вы специалист по data science, архитектор системы безопасности и стремитесь повысить устойчивость систем с ИИ или вас просто интересует различие между искусственным и биологическим восприятием, то эта книга для вас.

• Nadezhnost-neyronnykh-setey-ukreplyaem

Генеративное моделирование — одна из самых обсуждаемых тем в области искусственного интеллекта. Машины можно научить рисовать, писать и сочинять музыку. Вы сами можете посадить искусственный интеллект за парту или мольберт, для этого достаточно познакомиться с самыми актуальными примерами генеративных моделей глубокого обучения: вариационные автокодировщики, генеративно-состязательные сети, модели типа кодер-декодер и многое другое.Дэвид Фостер делает понятными и доступными архитектуру и методы генеративного моделирования, его советы и подсказки сделают ваши модели более творческими и эффективными в обучении. Вы начнете с основ глубокого обучения на базе Keras, а затем перейдете к самым передовым алгоритмам. - Разберитесь с тем, как вариационные автокодировщики меняют эмоции на фотографиях- Создайте сеть GAN с нуля- Освойте работу с генеративные моделями генерации текста - Узнайте, как генеративные модели помогают агентам выполнять задачи в рамках обучения с подкреплением- Изучите BERT, GPT-2, ProGAN, StyleGAN и многое другое.

• Generativnoe-glubokoe-obuchenie-Tvorcheskiy

В монографии рассматриваются вопросы развития искусственного интеллекта, основы машинного обучения. Описываются задачи классификации и аппроксимации, решаемые с применением нейронных сетей. Нейронные сети в последнее время набирают все большую популярность среди исследователей. В частности, нейронные сети нашли широкое применение в сфере визуализации, распознавания образов. Но на этом практическая значимость нейронных сетей не заканчивается, они также находят свое применение в задачах прогнозирования, классификации, кластеризации и моделирования. Монография может быть полезна широкому кругу читателей.

• Prakticheskoe-primenenie-metodov-klasterizatsii

В монографии рассматриваются вопросы развития искусственного интеллекта, основы машинного обучения. Описываются задачи классификации и аппроксимации, решаемые с применением нейронных сетей. Нейронные сети в последнее время набирают все большую популярность среди исследователей. В частности, нейронные сети нашли широкое применение в сфере визуализации, распознавания образов. Но на этом практическая значимость нейронных сетей не заканчивается, они также находят свое применение в задачах прогнозирования, классификации, кластеризации и моделирования. Монография может быть полезна широкому кругу читателей.

• Prakticheskoe-primenenie-metodov-klasterizatsii

Мы живем во время революции, еще 50 лет назад казавшейся невероятной, — революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое. Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы. Сегодня искусственный интеллект действительно меняет общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.

• Lekun-uchitsya-mashina-Revolyutsiya

Мы живем во время революции, еще 50 лет назад казавшейся невероятной, — революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое. Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы. Сегодня искусственный интеллект действительно меняет общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.

• Lekun-uchitsya-mashina-Revolyutsiya

В монографии дается современное изложение теории роектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и многослойные нейронные сети с прореженным набором связей и модульной организацией. Предложены алгоритмы структурного проектирования и обучения перестраиваемых быстрых преобразований и нейронных сетей. Исследованы потенциально достижимые свойства быстрых преобразований по пластичности, разделяющей мощности и обобщающей способности. Все рассмотренные алгоритмы сопровождаются примерами и программными реализациями на языке MatLab. Изложение ориентировано на практическое использование в задачах сжатия сигналов высокой размерности, классификации и распознавания образов, спектрального анализа и фрактальной фильтрации. Кроме специалистов соответствующего профиля книга может быть полезна для аспирантов и студентов магистерского уровня подготовки. Тексты программ размещены на сайте http://www.dorogov.su.

• Aleksandr-Yurevich-Dorogov-Teoriya

В монографии дается современное изложение теории роектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и многослойные нейронные сети с прореженным набором связей и модульной организацией. Предложены алгоритмы структурного проектирования и обучения перестраиваемых быстрых преобразований и нейронных сетей. Исследованы потенциально достижимые свойства быстрых преобразований по пластичности, разделяющей мощности и обобщающей способности. Все рассмотренные алгоритмы сопровождаются примерами и программными реализациями на языке MatLab. Изложение ориентировано на практическое использование в задачах сжатия сигналов высокой размерности, классификации и распознавания образов, спектрального анализа и фрактальной фильтрации. Кроме специалистов соответствующего профиля книга может быть полезна для аспирантов и студентов магистерского уровня подготовки. Тексты программ размещены на сайте http://www.dorogov.su.

• Aleksandr-Yurevich-Dorogov-Teoriya

В монографии дается современное изложение теории роектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и многослойные нейронные сети с прореженным набором связей и модульной организацией. Предложены алгоритмы структурного проектирования и обучения перестраиваемых быстрых преобразований и нейронных сетей. Исследованы потенциально достижимые свойства быстрых преобразований по пластичности, разделяющей мощности и обобщающей способности. Все рассмотренные алгоритмы сопровождаются примерами и программными реализациями на языке MatLab. Изложение ориентировано на практическое использование в задачах сжатия сигналов высокой размерности, классификации и распознавания образов, спектрального анализа и фрактальной фильтрации. Кроме специалистов соответствующего профиля книга может быть полезна для аспирантов и студентов магистерского уровня подготовки. Тексты программ размещены на сайте http://www.dorogov.su.

• Aleksandr-Yurevich-Dorogov-Teoriya

В монографии дается современное изложение теории роектирования алгоритмов быстрых преобразований и модульных нейронных сетей. С системных позиций рассматриваются быстрые преобразования и многослойные нейронные сети с прореженным набором связей и модульной организацией. Предложены алгоритмы структурного проектирования и обучения перестраиваемых быстрых преобразований и нейронных сетей. Исследованы потенциально достижимые свойства быстрых преобразований по пластичности, разделяющей мощности и обобщающей способности. Все рассмотренные алгоритмы сопровождаются примерами и программными реализациями на языке MatLab. Изложение ориентировано на практическое использование в задачах сжатия сигналов высокой размерности, классификации и распознавания образов, спектрального анализа и фрактальной фильтрации. Кроме специалистов соответствующего профиля книга может быть полезна для аспирантов и студентов магистерского уровня подготовки. Тексты программ размещены на сайте http://www.dorogov.su.

• Aleksandr-Yurevich-Dorogov-Teoriya

В учебном пособии системно, в полном объеме рассматриваются инновационные инструменты для создания всех видов маркетинговых коммуникаций на основе искусственного интеллекта и нейронных сетей. На многочисленных практических примерах демонстрируются создание контента и каналов коммуникации с использованием искусственного интеллекта и различных нейронных сетей, образовательные возможности на основе искусственного интеллекта, их внедрение в образовательную деятельность, обучение нейронных сетей, создание рекламной продукции с помощью нейронных сетей и др. Богато иллюстрировано. Пособие предназначено для специалистов-практиков в области маркетинговых коммуникаций, преподавателей университетов, студентов вузов, обучающихся по направлениям подготовки «Реклама и связи с общественностью», «Журналистика», «Издательское дело», «Телевидение», «Медиакоммуникации» и др.

• Evstafev-Vladimir-Aleksandrovich-Tyukov

Мы живем во время революции, еще 50 лет назад казавшейся невероятной, — революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое. Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы. Сегодня искусственный интеллект действительно меняет все наше общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.

• Lekun-uchitsya-mashina-Revolyutsiya

Мы живем во время революции, еще 50 лет назад казавшейся невероятной, — революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое. Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы. Сегодня искусственный интеллект действительно меняет все наше общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.

• Lekun-uchitsya-mashina-Revolyutsiya

Учебное пособие содержит начальные сведения о моделировании на базе искусственных нейронных сетей. Разобраны биологические принципы построения и алгоритмы создания искусственного нейрона (типа "перцептрон") и сетей на его основе. Издание рекомендуется исследователям, преподавателям, аспирантам, студентам, а также всем, кто интересуется современным состоянием дел в области искусственных нейронных сетей и моделирования.

• Vvedenie-neyrosetevoe-modelirovanie-Uchebnoe

Учебное пособие содержит начальные сведения о моделировании на базе искусственных нейронных сетей. Разобраны биологические принципы построения и алгоритмы создания искусственного нейрона (типа "перцептрон") и сетей на его основе. Издание рекомендуется исследователям, преподавателям, аспирантам, студентам, а также всем, кто интересуется современным состоянием дел в области искусственных нейронных сетей и моделирования.

• Vvedenie-neyrosetevoe-modelirovanie-Uchebnoe

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.

• Umberto-Mikeluchchi-Prikladnoe-glubokoe

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.

• Umberto-Mikeluchchi-Prikladnoe-glubokoe

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.

• Umberto-Mikeluchchi-Prikladnoe-glubokoe

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.

• Umberto-Mikeluchchi-Prikladnoe-glubokoe

Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.

• Umberto-Mikeluchchi-Prikladnoe-glubokoe

Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero. Основные темы книги: нейронные сети и системы искусственного интеллекта; структура нейронных сетей; сглаживание сигналов, распространяющихся по нейронной сети, с помощью функции активации; тренировка и тестирование нейронных сетей; интерактивная среда программирования IPython; использование нейронных сетей в качестве классификаторов объектов; распознавание образов с помощью нейронных сетей. Тарик Рашид - специалист в области количественного анализа данных и разработки решений на базе продуктов с открытым исходным кодом. Имеет ученую степень по физике и степень магистра по специальности "Machine Learning and Data Mining". Проживая в Лондоне, он возглавляет местную группу разработчиков Python (насчитывающую около 3000 участников), организует многочисленные семинары и часто выступает с докладами на международных конференциях.

• Tarik-Rashid-Sozdaem-neyronnuyu

Эта книга представляет собой введение в теорию и практику создания нейронных сетей. Она предназначена для тех, кто хочет узнать, что такое нейронные сети, где они применяются и как самому создать такую сеть, не имея опыта работы в данной области. Автор простым и понятным языком объясняет теоретические аспекты, знание которых необходимо для понимания принципов функционирования нейронных сетей и написания соответствующих программных инструкций. Изложение материала сопровождается подробным описанием процедуры поэтапного создания полностью функционального кода, который реализует нейронную сеть на языке Python и способен выполняться даже на таком миниатюрном компьютере, как Raspberry Pi Zero. Основные темы книги: нейронные сети и системы искусственного интеллекта; структура нейронных сетей; сглаживание сигналов, распространяющихся по нейронной сети, с помощью функции активации; тренировка и тестирование нейронных сетей; интерактивная среда программирования IPython; использование нейронных сетей в качестве классификаторов объектов; распознавание образов с помощью нейронных сетей. Тарик Рашид - специалист в области количественного анализа данных и разработки решений на базе продуктов с открытым исходным кодом. Имеет ученую степень по физике и степень магистра по специальности "Machine Learning and Data Mining". Проживая в Лондоне, он возглавляет местную группу разработчиков Python (насчитывающую около 3000 участников), организует многочисленные семинары и часто выступает с докладами на международных конференциях.

• Tarik-Rashid-Sozdaem-neyronnuyu

Описаны инструментальные средства для разработки приложений искусственного интеллекта. Даны основы языка программирования Python. Раскрыты основные понятия и определения искусственного интеллекта. Рассмотрены вопросы программной реализации элементов нейронной сети и построения многослойных нейронных сетей. Большое внимание уделено применению специализированных библиотек PyBrain, Scikit-learn, Keras, TensorFlow для формирования структуры нейронных сетей и их обучения и библиотек ImageAI и OpenCV для обработки изображений. Материал иллюстрирован простыми и понятными примерами, демонстрирующими использование предварительно обученных нейронных сетей для распознавания объектов на изображениях, создания собственных наборов данных, формирования структуры сети, ее обучения и практического применения. Электронное приложение-архив, доступное на сайте издательства, содержит листинги описанных в книге примеров.

• Anatoliy-Postolit-Osnovy-iskusstvennogo