что к фримэн д машинное обучение и безопасность
Машинное обучение и безопасность
Автор: Чио К., Фримэн Д.
Дата выхода: август 2019 года
Формат: 165 * 235 мм
Бумага: офсетная
Обложка: Мягкая обложка
Объем, стр.: 388
ISBN: 978-5-97060-713-8
Аннотация
Представлены примеры возможного практического применения технологии машинного обучения для решения таких задач, как обнаружение вторжения, классификация вредоносных программ и анализ сетевой среды. В дополнение к изучению основных алгоритмов и методик машинного обучения особое внимание уделено трудным задачам по созданию работоспособных, надежных масштабируемых систем извлечения и анализа данных в сфере обеспечения безопасности.
Издание будет полезно всем специалистам по компьютерной безопасности для усовершенствования контролируемых систем.
Оплата
Наш интернет-магазин работает только по предоплате!
Мы принимаем следующие виды оплаты:
Вы так же можете выбрать оплату по платежной квитанции и оплатить по ней покупку в отделении любого банка.
Юридические лица могут выбрать счёт на оплату.
Возврат денежных средств возможен в случаях:
Возврат не проводится в случаях:
Для оформления возврата обращайтесь по электронной почте dmkpress.help@gmail.com.
Доставка:
Курьерская доставка по Москве в течение 7 дней после оплаты заказа.
Стоимость доставки:
Самовывоз возможен в течение суток после оплаты.
Адрес для самовывоза:
115487, г. Москва, проспект Андропова, 38
Доставка почтой России: от 7 до 28 дней с момента оплаты заказа.
Стоимость доставки:
31 июля 2019 в 00:41
Книгу можно заказывать?
Вы можете оформить предзаказ на книгу со скидкой 20%. Как только книга выйдет из типографии, скидка перестаёт действовать.
Что к фримэн д машинное обучение и безопасность
Машинное обучение и безопасность. Защита систем с помощью данных и алгоритмов [2020] Кларенс Чио, Дэвид Фримэн
Представлены примеры возможного практического применения технологии машинного обучения для решения таких задач, как обнаружение вторжения, классификация вредоносных программ и анализ сетевой среды. В дополнение к изучению основных алгоритмов и методик машинного обучения особое внимание уделено трудным задачам по созданию работоспособных, надежных масштабируемых систем извлечения и анализа данных в сфере обеспечения безопасности.
Издание будет полезно всем специалистам по компьютерной безопасности для усовершенствования контролируемых систем.
Скачать книгу
https://t.me/physics_lib
Глубокое обучение. Легкая разработка проектов на Python [2021] Сет Вейдман
Если вы уже пытались узнать что-то о нейронных сетях и глубоком обучении, то, скорее всего, столкнулись с изобилием ресурсов, от блогов до массовых открытых онлайн-курсов различного качества и даже книг. Ресурсы по нейронным сетям обычно делятся на две категории. Некоторые из них касаются в основном концептуальной и математической части и содержат как рисунки, которые, как правило, встречаются в объяснениях нейронных сетей, так и круги, соединенные линиями со стрелками на концах, а также подробные математические объяснения того, что происходит, чтобы вы могли «вникнуть в матчасть». На других ресурсах — много кода, запустив который вы видите, как снижается ошибка и «обучается» нейронная сеть.
Очевидно, что такие объяснения не дают понимания того, что на самом деле происходит: лежащих в основе математических принципов, отдельных компонентов нейронной сети, как они работают вместе и т.д. Для более точного понимания мы реализуем все эти концепции с нуля в Python и соединим их, создавая рабочие нейронные сети, которые вы можете обучать на своем компьютере дома. Несмотря на то что мы уделим немало времени деталям реализации, целью реализации этих моделей в Python будет укрепление и уточнение нашего понимания концепций.
В этой книге:
— Четкие схемы, помогающие разобраться в нейросетях, и примеры рабочего кода.
— Методы реализации многослойных сетей с нуля на базе простой объектно-ориентированной структуры.
— Примеры и доступные объяснения сверточных и рекуррентных нейронных сетей.
— Реализация концепций нейросетей с помощью популярного фреймворка PyTorch.
Скачать книгу
https://t.me/physics_lib/8270
Handbook of Research on Machine Learning Innovations and Trends [2017] Ella Hassanien, Tarek Gaber
Continuous improvements in technological applications have allowed more opportunities to develop automated systems. This not only leads to higher success in smart data analysis, but it increases the overall probability of technological progression. The Handbook of Research on Machine Learning Innovations and Trends is a key resource on the latest advances and research regarding the vast range of advanced systems and applications involved in machine intelligence. Highlighting multidisciplinary studies on decision theory, intelligent search, and multi-agent systems, this publication is an ideal reference source for professionals and researchers working in the field of Machine Learning and its applications.
Software reliability is a statistical measure of how well software operates with respect to its requirements. There are two related software engineering research issues about reliability requirements. The first issue is achieving the necessary reliability, i.e., choosing and employing appropriate software engineering techniques in system design and implementation. The second issue is the assessment of reliability as a method of assurance that precedes system deployment. In past few years, various software reliability models have been introduced. These models have been developed in response to the need of software engineers, system engineers and managers to quantify the concept of software reliability. The Chapter «Investigation of Software Reliability Prediction Using Statistical and Machine Learning» investigates performance of some classical and intelligent Machine Learning techniques such as Linear regression (LR), Radial basis function network (RBFN), Generalized regression neural network (GRNN), Support vector machine (SVM), to predict software reliability. The effectiveness of LR and machine learning methods is demonstrated with the help of sixteen datasets taken from Data & Analysis Centre for Software (DACS). Two performance measures, root mean squared error (RMSE) and mean absolute percentage error (MAPE) is compared quantitatively obtained from rigorous experiments.
Скачать книгу
https://t.me/physics_lib/8278
Компьютерное зрение [2019] Клетте Рейнхард
В данной книге рассмотрены основные аспекты компьютерного зрения: обработка и анализ изображений, анализ плотного движения, сегментация изображений, работа с камерами, трехмерная реконструкция, сопоставление стереоизображений, обнаружение объектов и др. Материал дополняется историческими справками, рекомендациями по дальнейшему чтению и сведениями о рассматриваемых математических понятиях.
В конце каждой главы имеются проверенные на практике упражнения и вопросы на понимание материала. Издание предназначено широкому кругу специалистов по анализу данных и изображений, а также может использоваться в качестве учебника для студентов старших курсов и для самообразования.
Скачать книгу
https://t.me/physics_lib/8386
AI for Games (AI for Everything) [2022] Ian Millington
What is Artificial Intelligence? How is Artificial Intelligence (AI) used in game development? Game development lives in its own technical world. It has its own idioms, skills, and challenges. That’s one of the reasons games are so much fun to work on. Each game has its own rules, its own aesthetic, and its own trade-offs, and the hardware it will run on keeps changing. AI for Games is designed to help you understand one element of game development: Artificial Intelligence (AI).
Скачать книгу
https://t.me/physics_lib/8584
Мультиагентное обучение с подкреплением [2021] Aлфимцeв
Рассмотрены современные и классические алгоритмы одновременного машинного обучения множества агентов, основанные на теории игр, табличных, нейросетевых, эволюционных и роевых технологиях. Представлено последовательное развитие теоретической модели алгоритмов, базирующееся на марковских процессах принятия решений. Реализация алгоритмов выполнена на языке программирования Python с использованием библиотеки глубокого обучения PyTorch. Средой машинного обучения является компьютерная игра StarCraft II с интерфейсом кооперативного мультиагентного обучения SMAC. Для магистрантов и аспирантов направления подготовки «Информатика и вычислительная техника».
Скачать книгу
https://t.me/physics_lib
Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными [2017] Андреас Мюллер
Машинное обучение стало неотъемлемой частью различных коммерческих и исследовательских проектов, однако эта область не является прерогативой больших компаний с мощными аналитическими командами. Даже если вы еще новичок в использовании Python, эта книга познакомит вас с практическими способами построения систем машинного обучения.
При всем многообразии данных, доступных на сегодняшний день, применение машинного обучения ограничивается лишь вашим воображением.
Вы изучите этапы, необходимые для создания успешного проекта машинного обучения, используя Python и библиотеку scikit-learn. Авторы Андреас Мюллер и Сара Гвидо сосредоточили свое внимание на практических аспектах применения алгоритмов машинного обучения. Знание библиотек NumPy и matplotlib позволит вам извлечь из этой книги еще больше полезной информации.
С помощью этой книги вы изучите:
1. Фундаментальные понятия и сферы применения машинного обучения
2. Преимущества и недостатки широко используемых алгоритмов машинного обучения
3. Способы загрузки данных, обрабатываемых в ходе машинного обучения, включая различные аспекты работы с данными
4. Продвинутые методы оценивания модели и тонкая настройка параметров
5. Принципы построения конвейеров для объединения моделей в цепочки и инкапсуляции рабочего потока
6. Методы работы с текстовыми данными
7. Рекомендации по улучшению навыков, связанных с машинным обучением и наукой о данных
Скачать книгу
https://t.me/physics_lib/8625
Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows [2021] Thimira Amaratunga
Build deep learning and computer vision systems using Python, TensorFlow, Keras, OpenCV, and more, right within the familiar environment of Microsoft Windows. The book starts with an introduction to tools for deep learning and computer vision tasks followed by instructions to install, configure, and troubleshoot them. Here, you will learn how Python can help you build deep learning models on Windows.
Moving forward, you will build a deep learning model and understand the internal-workings of a convolutional neural network on Windows. Further, you will go through different ways to visualize the internal-workings of deep learning models along with an understanding of transfer learning where you will learn how to build model architecture and use data augmentations. Next, you will manage and train deep learning models on Windows before deploying your application as a web application. You’ll also do some simple image processing and work with computer vision options that will help you build various applications with deep learning. Finally, you will use generative adversarial networks along with reinforcement learning.
After reading Deep Learning on Windows, you will be able to design deep learning models and web applications on the Windows operating system.
What You Will Learn
Understand the basics of Deep Learning and its history
Get Deep Learning tools working on Microsoft Windows
Understand the internal-workings of Deep Learning models by using model visualization techniques, such as the built-in plot_model function of Keras and third-party visualization tools
Understand Transfer Learning and how to utilize it to tackle small datasets
Build robust training scripts to handle long-running training jobs
Convert your Deep Learning model into a web application
Generate handwritten digits and human faces with DCGAN (Deep Convolutional Generative Adversarial Network)
Understand the basics of Reinforcement Learning
Who This Book Is For:
AI developers and enthusiasts wanting to work on the Windows platform.
Скачать книгу
https://t.me/physics_lib/8779
Изучаем OpenCV 3. Разработка программ компьютерного зрения на C++ с применением библиотеки OpenCV [2017] Кэлер А., Брэдски Г.
В книге приведено описание всей библиотеки OpenCV в ее современном воплощении на языке C++, включая средства машинного обучения в контексте компьютерного зрения. OpenCV, насчитывающая свыше 500 функций, используется в самых разных коммерческих приложениях: охрана, обработка медицинских изображений, распознавание образов и лиц, робототехника, контроль качества продукции и др. Упражнения в конце каждой главы помогут проконтролировать усвоение знаний. Издание предназначено разработчикам, научным сотрудникам, инженерам-робототехникам и энтузиастам-любителям.
Это практическое руководство поможет вам начать освоение быстро развивающейся дисциплины компьютерного зрения. Написанная Адрианом Кэлером и Гэри Брэдски, создателем библиотеки OpenCV с открытым исходным кодом, эта книга является подробным введением в предмет и предназначена для разработчиков, научных сотрудников, инженеров-робототехников и энтузиастов-любителей. Вы узнаете, как создавать приложения, которые позволяют компьютерам «видеть» и принимать решения на основе полученных данных.
Библиотека OpenCV, насчитывающая свыше 500 функций, используется в самых разных коммерческих приложениях: охрана, обработка медицинских изображений, распознавание образов и лиц, робототехника, заводской контроль качества продукции. Прочитав эту книгу, вы сможете уверенно ориентироваться в компьютерном зрении и OpenCV и создавать как простые, так и более изощренные приложения. Упражнения в конце каждой главы помогут проконтролировать усвоение знаний.
В книге приведена вся библиотека в ее современном воплощении на языке C++, в том числе и средства машинного обучения в контексте компьютерного зрения. В книге рассматриваются следующие темы:
— типы данных в OpenCV, массивы и операции с массивами;
— захват и сохранение данных с фото- и видеокамеры с помощью библиотеки HighGUI;
— преобразования изображения: растяжение, сжатие, деформирование, преобразование системы координат, исправление;
— распознавание образов, в т. ч. лиц;
— сопровождение объектов и прослеживание движения;
— реконструкция трехмерных изображений по стереопаре;
— простые и более современные методы машинного обучения.
Скачать книгу
https://t.me/physics_lib
Основы искусственного интеллекта в примерах на Python [2021] Постолит
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.
Скачать книгу
https://t.me/physics_lib
Альманах «Искусственный интеллект» ( 9 выпусков )
Этим сборником мы открываем регулярную публикацию аналитических материалов от Центра Национальной технологической инициативы на базе МФТИ по направлению «Искусственный интеллект». Альманах будет выходить один раз в два месяца и содержать информацию по всей отрасли ИИ в России.
Первый выпуск содержит обзор текущего состояния отрасли ИИ в России и мире, включая основные технологии и применения, ключевые компании, университеты и людей – как исследователей, так и лидеров мнений. И главной темой номера является стратегия – мы проводим анализ ситуации в мире, обзор стратегий основных стран в области ИИ и обсуждаем возможную стратегию России в области ИИ.
Следующие номера Альманаха буду тематическими и посвящены отдельным областям ИИ, таким как обработка естественного языка, машинное зрение, предиктивная аналитика и другим темам. Настоящий аналитический отчет подготовлен на основе анализа открытых источников, в том числе научных публикаций, патентов, СМИ, сайтов компаний, сайтов университетов и других.
В отчете приводятся ссылки на источники и процедуры получения тех или иных цифр. При такой методике сбора и обработки информации, возможно, не все компании, университеты и люди попали в наше рассмотрение. Мы не включили в рассмотрение военные применения технологий ИИ, так как по ним нет открытой достоверной информации. Мы также не включали в рассмотрение информацию о ведущихся прикладных проектах в университетах или компаниях, так как по ним нет объективной метрики для оценки.
Выпуск №1 содержит обзор текущего состояния отрасли ИИ в России и мире, включая основные технологии и применения, ключевые компании, университеты и людей – как исследователей, так и лидеров мнений. Главной темой номера является Стратегия – в отчете проводится анализ ситуации в мире, обзор стратегий основных стран в области ИИ и обсуждается возможная стратегия России в области ИИ.
Выпуск №2 содержит обзор области речевых технологий ИИ: обработка естественного языка, распознавание и синтез речи. Альманах содержит блок статей по технологии и по применениям, обзор ведущих компаний и людей, тренды и прогнозы.
Выпуск №3 содержит обзор области машинного зрения и обработки изображений. Альманах содержит блок статей по технологии и по применениям, обзор ведущих компаний и людей, тренды и прогнозы.
Выпуск №4 содержит ежегодный отчет, подводящий итоги года и публикующий показатели отрасли Искусственного интеллекта в России. Отчет выпускается в рамках серии Альманах «Искусственный интеллект».
Выпуск №5 содержит обзор области предиктивной аналитики и систем поддержки принятия решения. Альманах содержит блок статей по технологии и по применениям, обзор ведущих компаний и людей, тренды и прогнозы.
Выпуск №6 содержит анализ действующей нормативно-правовой базы, регулирующей обращение продуктов рынка «Искусственный интеллект»
Выпуск №8 содержит ежегодный отчет, подводящий итоги года и публикующий показатели отрасли Искусственного интеллекта в России. Отчет выпускается в рамках серии Альманах «Искусственный интеллект». За основу взят отчет AI Index университета Стэнфорд (США), который выходит уже четвертый год и в котором отслеживается динамика показателей отрасли ИИ по всем странам, в том числе России. Однако, в силу специфики источников данных, многих данных по России там нет. Данный отчет частично восполняет этот пробел.
Выпуск №9 написан про фундамент, на котором стоят технологии машинного обучения – аппаратное обеспечение, на программистском жаргоне называемое «железо». А главная часть этого «железа» – процессоры.
Скачать книги
https://t.me/physics_lib
Что к фримэн д машинное обучение и безопасность
Глубокое обучение в биологии и медицине [2020] Рамсундар, Истман, Уолтерс
Глубокое обучение добилось впечатляющих успехов во многих отраслях. Сейчас оно все глубже проникает в прикладные научные исследования, в частности в биологию и смежные дисциплины. Эта книга рассказывает о применении глубокого обучения в геномике, химии, биофизике, микроскопии, медицине и других направлениях современных исследований всего, что связано с живыми организмами.
Представленные в книге стандартные архитектуры глубоких сетей идеально подходят для программистов-разработчиков и ученых, работающих над созданием новых лекарств или ведущих исследования в области биологии и генетики. Книга содержит множество практических примеров, включая полный цикл поиска нового лекарства – одну из самых сложных научно-прикладных задач на стыке физики, химии, биологии и медицины.
Издание будет полезно широкому кругу специалистов, связанных с анализом данных в химии, биологии и медицине, а также разработчикам программного обеспечения для них и студентам вузов.
Deep Learning for the Life Sciences [2020] Bharath Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande
Нечеткое моделирование и управление [2020] Анджей Пегат
В настоящем издании дается развернутое введение в проблемы нечеткого и нейронечеткого моделирования применительно к задаче управления системами. Материал основан на новейших результатах в данной области и иллюстрируется многочисленными примерами.
При отсутствии достаточно точного знания об объекте управления традиционные методы решения задач управления оказываются неэффективными или могут быть вообще неприменимы. В этом случае можно строить нечеткие системы управления с применением аппарата нечетких множеств, нечеткой логики, нечеткого моделирования. Еще большая эффективность достигается сочетанием указанных методов с аппаратом искусственных нейронных сетей и генетических алгоритмов.
Именно этот круг вопросов рассматривается в книге «Нечеткое моделирование и управление». Ее автор, Анджей Пегат, профессор Щецинского технического университета (Польша) – видный специалист в области мягких вычислений и теории управления.
Одна из интересных особенностей книги состоит в том, что методы мягких вычислений излагаются и трактуются с позиций специалиста по системам управления.
Книга будет полезна студентам старших курсов, аспирантам, научным работникам и инженерам, специалистам по системам управления при решении задач моделирования в различных прикладных областях.
Fuzzy Modeling and Control [2020] Аndrzej Piegat
Глубокое обучение для поисковых систем [2020] Томмазо Теофили
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.
Python Machine Learning, 2nd Edition [2017] Sebastian Raschka, Vahid Mirjalili
Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow
Unlock modern machine learning and deep learning techniques with Python by using the latest cutting-edge open source Python libraries.
Machine learning is eating the software world, and now deep learning is extending machine learning. Understand and work at the cutting edge of machine learning, neural networks, and deep learning with this second edition of Sebastian Raschka’s bestselling book, Python Machine Learning. Thoroughly updated using the latest Python open source libraries, this book offers the practical knowledge and techniques you need to create and contribute to machine learning, deep learning, and modern data analysis.
Fully extended and modernized, Python Machine Learning Second Edition now includes the popular TensorFlow deep learning library. The scikit-learn code has also been fully updated to include recent improvements and additions to this versatile machine learning library.
Sebastian Raschka and Vahid Mirjalili’s unique insight and expertise introduce you to machine learning and deep learning algorithms from scratch, and show you how to apply them to practical industry challenges using realistic and interesting examples. By the end of the book, you’ll be ready to meet the new data analysis opportunities in today’s world.
If you’ve read the first edition of this book, you’ll be delighted to find a new balance of classical ideas and modern insights into machine learning. Every chapter has been critically updated, and there are new chapters on key technologies. You’ll be able to learn and work with TensorFlow more deeply than ever before, and get essential coverage of the Keras neural network library, along with the most recent updates to scikit-learn.
What You Will Learn
● Understand the key frameworks in data science, machine learning, and deep learning
● Harness the power of the latest Python open source libraries in machine learning
● Master machine learning techniques using challenging real-world data
● Master deep neural network implementation using the TensorFlow library
● Ask new questions of your data through machine learning models and neural networks
● Learn the mechanics of classification algorithms to implement the best tool for the job
● Predict continuous target outcomes using regression analysis
● Uncover hidden patterns and structures in data with clustering
● Delve deeper into textual and social media data using sentiment analysis
Машинное обучение и глубокое обучение с помощью Python, scikit-learn и TensorFlow. Откройте для себя современные методы машинного обучения и глубокого обучения с помощью Python, используя новейшие передовые библиотеки Python с открытым исходным кодом. Машинное обучение пожирает мир программного обеспечения, и теперь глубокое обучение расширяет машинное обучение. Поймите и работайте на переднем крае машинного обучения, нейронных сетей и глубокого обучения с помощью этого второго издания бестселлера Себастьяна Рашки» машинное обучение Python». Тщательно обновленная с использованием новейших библиотек Python с открытым исходным кодом, эта книга предлагает практические знания и методы, необходимые для создания и внесения вклада в машинное обучение, глубокое обучение и современный анализ данных.
Полностью расширенная и модернизированная, Python Machine Learning Second Edition теперь включает в себя популярную библиотеку глубокого обучения TensorFlow. Код scikit-learn также был полностью обновлен, чтобы включить последние улучшения и дополнения в эту универсальную библиотеку машинного обучения.
Уникальные знания и опыт Себастьяна Рашки и Вахида Мирджалили познакомят вас с алгоритмами машинного обучения и глубокого обучения с нуля, а также покажут, как применять их к практическим отраслевым задачам на реалистичных и интересных