Opinie czytelników
Podsumowanie:Książka oferuje praktyczny wgląd w implementację uczenia maszynowego, w szczególności koncentrując się na głębokich sieciach przekonań. Jednak jej jakość jest pogarszana przez liczne literówki i słabe wyjaśnienia, a także brak oryginalnej treści w poszczególnych tomach. Podczas gdy niektórzy czytelnicy uznali ją za przydatną do nauki, inni skrytykowali ją za niskiej jakości samodzielną publikację.
Zalety:⬤ Praktyczna i wnikliwa
⬤ zapewnia dobre zrozumienie implementacji uczenia maszynowego
⬤ zawiera przydatne przykłady kodu C++
⬤ poprawia zrozumienie głębokich sieci przekonań
⬤ chwalona przez niektórych jako absolutnie niesamowite źródło, które zwiększa szybkość i dokładność wykonania.
Wady:⬤ Słaba jakość pisania z wieloma literówkami i mylącymi wyjaśnieniami
⬤ treść wydaje się być recyklingowana w różnych tomach
⬤ zawiera zbyt dużo dokumentacji kodu
⬤ brakuje wyraźnych diagramów i wizualizacji
⬤ wiele osób poleca lepsze zasoby dostępne online lub w inny sposób.
(na podstawie 11 opinii czytelników)
Oryginalny tytuł:
Deep Belief Nets in C++ and Cuda C: Volume 1: Restricted Boltzmann Machines and Supervised Feedforward Networks
Zawartość książki:
Odkryj podstawowe elementy składowe najpopularniejszych form głębokich sieci przekonań. Na każdym etapie książka ta zawiera intuicyjną motywację, podsumowanie najważniejszych równań istotnych dla danego tematu i kończy się wysoce komentowanym kodem do obliczeń wątkowych na nowoczesnych procesorach, a także masowego przetwarzania równoległego na komputerach z kartami graficznymi obsługującymi CUDA.
Deep Belief Nets in C++ and CUDA C: Volume 1, pierwsza z trzech części serii poświęconej głębokiemu uczeniu się i sieciom przekonań w C++ i CUDA C, pokazuje, że struktura tych eleganckich modeli jest znacznie bliższa strukturze ludzkiego mózgu niż tradycyjnych sieci neuronowych; mają one proces myślowy, który jest w stanie uczyć się abstrakcyjnych pojęć zbudowanych z prostszych prymitywów. Przekonasz się, że typowa głęboka sieć przekonań może nauczyć się rozpoznawać złożone wzorce poprzez optymalizację milionów parametrów, a mimo to model ten może być odporny na nadmierne dopasowanie.
Wszystkie procedury i algorytmy przedstawione w książce są dostępne w pobranym kodzie, który zawiera również kilka bibliotek powiązanych procedur.
Czego się nauczysz
⬤ Stosować głębokie uczenie przy użyciu C++ i CUDA C.
⬤ Pracować z nadzorowanymi sieciami typu feedforward.
⬤ Implementować ograniczone maszyny Boltzmanna.
⬤ Używać próbkowania generatywnego.
⬤ Dowiedz się, dlaczego są one ważne.
Dla kogo jest ta książka
Dla tych, którzy mają przynajmniej podstawową wiedzę na temat sieci neuronowych i pewne wcześniejsze doświadczenie w programowaniu, chociaż zalecana jest znajomość C++ i CUDA C.
