Deep Learning dla początkujących: Przewodnik dla początkujących, jak rozpocząć pracę z głębokim uczeniem się od podstaw przy użyciu Pythona

Opinie czytelników

Książka „Deep Learning for Beginners” autorstwa dr Pablo Rivasa została dobrze przyjęta jako kompleksowy tekst wprowadzający, który prowadzi czytelników przez podstawowe koncepcje głębokiego uczenia się i praktyczne implementacje przy użyciu Pythona. Obejmuje on szeroki zakres tematów związanych z głębokim uczeniem i jest skierowany do początkujących, zapewniając uporządkowane wskazówki dotyczące różnych frameworków uczenia maszynowego.

⬤ Świetne wprowadzenie do koncepcji głębokiego uczenia dla początkujących.
⬤ Dobrze zorganizowana ze stopniowymi przejściami między tematami.
⬤ Zawiera praktyczne przykłady kodowania i praktyczne zastosowania w różnych dziedzinach.
⬤ Wykorzystuje Google Colabs dla ułatwienia dostępu.
⬤ Obejmuje szeroki zakres frameworków i architektur sieci neuronowych.

⬤ Głębokość omówienia może nie zadowolić zaawansowanych czytelników szukających bardziej dogłębnych dyskusji.
⬤ Niektórzy czytelnicy mogą uznać treść za zbyt podstawową, jeśli posiadają już wcześniejszą wiedzę w tej dziedzinie.

(na podstawie 3 opinii czytelników)

Oryginalny tytuł:

Deep Learning for Beginners: A beginner's guide to getting up and running with deep learning from scratch using Python

Zawartość książki:

Wdrażanie nadzorowanych, nienadzorowanych i generatywnych modeli głębokiego uczenia (DL) przy użyciu Keras i Dopamine w TensorFlow.

Kluczowe cechy

⬤ Zrozumienie podstawowych koncepcji uczenia maszynowego przydatnych w głębokim uczeniu się.

⬤ Poznanie podstawowych pojęć matematycznych podczas implementacji modeli głębokiego uczenia od podstaw.

⬤ Zapoznaj się z łatwymi do zrozumienia przykładami i przypadkami użycia, które pomogą ci zbudować solidne podstawy w DL.

Opis książki

Wraz z wykładniczym wzrostem ilości informacji w Internecie, nawigacja przez wszystko w celu znalezienia wiarygodnych treści, które pomogą Ci rozpocząć pracę z głębokim uczeniem się, stała się trudniejsza niż kiedykolwiek wcześniej. Ta książka została zaprojektowana, aby pomóc ci, jeśli jesteś początkującym, który chce pracować nad głębokim uczeniem się i budować modele głębokiego uczenia się od podstaw, i masz już podstawową wiedzę matematyczną i programistyczną wymaganą do rozpoczęcia.

Książka rozpoczyna się od podstawowego przeglądu uczenia maszynowego, prowadząc przez konfigurację popularnych frameworków Pythona. Zrozumiesz również, jak przygotować dane poprzez ich czyszczenie i wstępne przetwarzanie do głębokiego uczenia się, a następnie stopniowo przejdziesz do eksploracji sieci neuronowych. Dedykowana sekcja zapewni wgląd w działanie sieci neuronowych, pomagając w praktycznym szkoleniu pojedynczych i wielu warstw neuronów. Później omówione zostaną popularne architektury sieci neuronowych, takie jak CNN, RNN, AE, VAE i GAN, z pomocą prostych przykładów, a nawet budowanie modeli od podstaw. Na końcu każdego rozdziału znajdziesz sekcję pytań i odpowiedzi, która pomoże ci przetestować to, czego nauczyłeś się w trakcie książki.

Pod koniec tej książki będziesz dobrze zaznajomiony z koncepcjami głębokiego uczenia się i będziesz miał wiedzę potrzebną do korzystania z określonych algorytmów z różnymi narzędziami do różnych zadań.

Czego się nauczysz

⬤ Wdrożyć RNN i długą pamięć krótkotrwałą do klasyfikacji obrazów i zadań przetwarzania języka naturalnego.

⬤ Zbadać rolę CNN w wizji komputerowej i przetwarzaniu sygnałów.

⬤ Zrozumieć etyczne implikacje modelowania głębokiego uczenia się.

⬤ Zrozumienie terminologii matematycznej związanej z uczeniem głębokim.

⬤ Kodowanie GAN i VAE w celu generowania obrazów z wyuczonej przestrzeni ukrytej.

⬤ Wdrożenie technik wizualizacji w celu porównania AE i VAE.

Dla kogo jest ta książka

Ta książka jest przeznaczona dla początkujących naukowców zajmujących się danymi i inżynierów głębokiego uczenia się, którzy chcą rozpocząć pracę z podstawami głębokiego uczenia się i sieci neuronowych. Chociaż nie jest wymagana wcześniejsza wiedza na temat głębokiego uczenia się lub uczenia maszynowego, znajomość algebry liniowej i programowania w języku Python jest niezbędna do rozpoczęcia pracy.