Deep learning i modelowanie generatywne D. Foster

Deep learning i modelowanie generatywne. Jak nauczyć komputer malowania, pisania, komponowania i grania

Autor: David Foster

EAN: 9788328372832

Typ publikacji: książka

Strony: 264

Oprawa: Miękka

Wydawca: Helion

SID: 2978948

Deep learning i modelowanie generatywne. Jak nauczyć komputer malowania, pisania, komponowania i grania

Techniki uczenia głębokiego rozwijają się w imponującym tempie, a sieci neuronowe znajdują zastosowanie w przeróżnych branżach. Coraz częściej komputer wykonuje zadania, które do niedawna były zarezerwowane dla człowieka. Dobrym przykładem jest tworzenie dzieł sztuki: ostatnie postępy w dziedzinie modelowania generatywnego sprawiają, że maszyny tworzą oryginalne obrazy w określonym stylu, piszą spójne akapity tekstu, komponują przyjemną w odbiorze muzykę i generują prawdopodobne scenariusze zdarzeń. Ta generatywna rewolucja już się zaczęła, a jej efekty przekraczają najśmielsze wyobrażenia.Ta książka jest praktycznym przewodnikiem przeznaczonym dla inżynierów uczenia maszynowego i analityków danych. W jasny i przystępny sposób omówiono w niej zasadnicze zagadnienia teorii modelowania generatywnego, a następnie zaprezentowano techniki stosowane do budowy modeli generatywnych, włącznie z ogólnym opisem uczenia głębokiego, wariacyjnych autoenkoderów i generatywnych sieci antagonistycznych (GAN). Na tej podstawie - z wykorzystaniem biblioteki Keras - pokazano wewnętrzne funkcjonowanie każdej z tych technik, łącznie z najbardziej nowatorskimi architekturami. Opisano krok po kroku sposoby rozwiązywania takich twórczych zadań jak malowanie, pisanie i komponowanie muzyki, a także zastosowania modelowania generatywnego do optymalizacji strategii grania w gry (modele World).W książce między innymi:- działanie autoenkoderów wariacyjnych- tworzenie sieci GAN, w tym CycleGAN i MuseGAN- rekurencyjne modele generatywne do tworzenia tekstu oraz mechanizmy uwagi- modele generatywne w środowiskach uczenia przez wzmacnianie- architektura Transformer (BERT, GPT-2) oraz modele generowania obrazu