Ocena:
Książka oferuje przyjazne dla użytkownika podejście do nauki głębokiego uczenia się przy użyciu platformy KNIME Analytics, zaspokajając potrzeby czytelników z niewielkim lub żadnym doświadczeniem programistycznym. Zapewnia solidne podstawy zarówno w teorii, jak i praktycznych zastosowaniach, jednocześnie zajmując się aspektami wdrażania, które są często pomijane w innych tekstach. Niektórzy czytelnicy wyrazili jednak chęć uzyskania większej liczby przykładów kodowania i dostosowania jakości materiału.
Zalety:1) Dobrze napisane i jasne wyjaśnienia kluczowych pojęć i najlepszych praktyk. 2) Wiele praktycznych zastosowań, w tym NLP, analiza obrazu i wykrywanie oszustw. 3) Obszerne omówienie opcji wdrażania. 4) Sprawia, że głębokie uczenie jest dostępne bez wymagań dotyczących kodowania. 5) Przewodnik krok po kroku upraszczający złożone problemy.
Wady:1) Brak przykładów kodowania, szczególnie w ważnych obszarach, takich jak przetwarzanie języka naturalnego. 2) Pewne skargi dotyczące ogólnej jakości książki.
(na podstawie 10 opinii czytelników)
Codeless Deep Learning with KNIME: Build, train, and deploy various deep neural network architectures using KNIME Analytics Platform
Dowiedz się, jak zintegrować platformę KNIME Analytics z bibliotekami głębokiego uczenia w celu wdrożenia rozwiązań sztucznej inteligencji
Kluczowe cechy
⬤ Zapoznaj się z platformą KNIME Analytics Platform, aby wykonywać głębokie uczenie bez użycia kodu.
⬤ Projektuj i twórz przepływy pracy głębokiego uczenia szybko i łatwiej za pomocą interfejsu graficznego KNIME.
⬤ Odkryj różne opcje wdrażania bez użycia ani jednej linii kodu za pomocą KNIME Analytics Platform.
Opis książki
KNIME Analytics Platform to oprogramowanie typu open source służące do tworzenia i projektowania przepływów pracy w nauce o danych. Ta książka jest kompleksowym przewodnikiem po GUI KNIME i integracji głębokiego uczenia KNIME, pomagając w tworzeniu modeli sieci neuronowych bez pisania jakiegokolwiek kodu. Poprowadzi cię w budowaniu prostych i złożonych sieci neuronowych poprzez praktyczne i kreatywne rozwiązania do rozwiązywania rzeczywistych problemów z danymi.
Zaczynając od wprowadzenia do KNIME Analytics Platform, otrzymasz przegląd prostych sieci typu feed-forward do rozwiązywania prostych problemów klasyfikacyjnych na stosunkowo małych zbiorach danych. Następnie przejdziesz do budowania, trenowania, testowania i wdrażania bardziej złożonych sieci, takich jak autoenkodery, rekurencyjne sieci neuronowe (RNN), sieci z długą pamięcią krótkotrwałą (LSTM) i konwolucyjne sieci neuronowe (CNN). W każdym rozdziale, w zależności od sieci i przypadku użycia, dowiesz się, jak przygotować dane, zakodować przychodzące dane i zastosować najlepsze praktyki.
Pod koniec tej książki dowiesz się, jak zaprojektować wiele różnych architektur neuronowych i będziesz w stanie trenować, testować i wdrażać ostateczną sieć.
Czego się nauczysz
⬤ Używać różnych wspólnych węzłów do przekształcania danych w odpowiednią strukturę nadającą się do trenowania sieci neuronowej.
⬤ Zrozumieć techniki sieci neuronowych, takie jak funkcje strat, propagacja wsteczna i hiperparametry.
⬤ Odpowiednie przygotowanie i zakodowanie danych w celu wprowadzenia ich do sieci.
⬤ Zbuduj i wytrenuj klasyczną sieć typu feedforward.
⬤ Opracowanie i optymalizacja sieci autoenkodera do wykrywania wartości odstających.
⬤ Wdrażanie sieci głębokiego uczenia, takich jak CNN, RNN i LSTM, przy pomocy praktycznych przykładów.
⬤ Wdrażanie wytrenowanej sieci głębokiego uczenia na rzeczywistych danych.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla analityków danych, naukowców zajmujących się danymi i programistów głębokiego uczenia, którzy nie są dobrze zorientowani w Pythonie, ale chcą dowiedzieć się, jak używać GUI KNIME do budowania, trenowania, testowania i wdrażania sieci neuronowych o różnych architekturach. Praktyczne implementacje przedstawione w książce nie wymagają kodowania ani znajomości dedykowanych skryptów, dzięki czemu można łatwo wdrożyć zdobytą wiedzę do praktycznych zastosowań. Do rozpoczęcia pracy z tą książką nie jest wymagane wcześniejsze doświadczenie w korzystaniu z KNIME.