Ocena:
Książka „Deep Learning with TensorFlow and Keras” to kompleksowy przewodnik wypełniony wiedzą teoretyczną i praktycznymi przykładami skupiającymi się na popularnych bibliotekach AI i ML. Nadaje się zarówno dla początkujących, jak i profesjonalistów, zapewniając dogłębne omówienie różnych technik i architektur głębokiego uczenia. Zawiera jednak wiele błędów typograficznych, a niektóre sekcje mogą wymagać wcześniejszej znajomości tematu, aby w pełni zrozumieć treść.
Zalety:Liczne przykłady i praktyczne fragmenty kodu, obszerne omówienie koncepcji głębokiego uczenia, przystępny styl pisania, dobrze zaokrąglone treści satysfakcjonujące zarówno początkujących, jak i doświadczonych praktyków, dedykowane rozdziały poświęcone matematyce oraz dodatkowe odniesienia do dalszych badań.
Wady:Zawiera wiele błędów typograficznych, które czasami prowadzą do nieporozumień, zakłada pewien poziom wcześniejszej wiedzy, co może utrudniać pełne zrozumienie dla nowicjuszy, fizyczna jakość druku jest słaba, a niektóre wzmianki o kolorowych wykresach są czarno-białe, a książka mogłaby skorzystać z bardziej przejrzystej nawigacji i organizacji.
(na podstawie 38 opinii czytelników)
Deep Learning with TensorFlow and Keras - Third Edition: Build and deploy supervised, unsupervised, deep, and reinforcement learning models
Tworzenie najnowocześniejszych systemów uczenia maszynowego i głębokiego uczenia dla laboratoriów, produkcji i urządzeń mobilnych.
Zakup książki w wersji drukowanej lub Kindle obejmuje bezpłatny eBook w formacie PDF.
Kluczowe cechy:
⬤ Zrozumienie podstaw głębokiego uczenia i uczenia maszynowego dzięki jasnym wyjaśnieniom i obszernym przykładom kodu.
⬤ Wdrażanie grafowych sieci neuronowych, transformatorów wykorzystujących Hugging Face i TensorFlow Hub oraz uczenie łączone i kontrastowe.
⬤ Poznaj najnowocześniejsze techniki uczenia maszynowego i głębokiego.
Opis książki:
Deep Learning with TensorFlow and Keras uczy sieci neuronowych i technik głębokiego uczenia przy użyciu TensorFlow (TF) i Keras. Dowiesz się, jak pisać aplikacje głębokiego uczenia w najbardziej wydajnym, popularnym i skalowalnym stosie uczenia maszynowego.
TensorFlow 2.x koncentruje się na prostocie i łatwości użytkowania, z aktualizacjami, takimi jak chętne wykonywanie, intuicyjne interfejsy API wyższego poziomu oparte na Keras i elastyczne tworzenie modeli na dowolnej platformie. Ta książka wykorzystuje najnowsze funkcje i biblioteki TF 2.0, aby przedstawić przegląd nadzorowanych i nienadzorowanych modeli uczenia maszynowego oraz zapewnia kompleksową analizę modeli głębokiego uczenia się i uczenia ze wzmocnieniem na praktycznych przykładach dla chmury, urządzeń mobilnych i dużych środowisk produkcyjnych.
Książka ta pokazuje również, jak tworzyć sieci neuronowe za pomocą TensorFlow, przechodzi przez popularne algorytmy (regresja, konwolucyjne sieci neuronowe (CNN), transformatory, GAN, rekurencyjne sieci neuronowe (RNN), przetwarzanie języka naturalnego (NLP) i sieci neuronowe grafów (GNN)), obejmuje działające przykładowe aplikacje, a następnie zagłębia się w TF w produkcji, TF mobile i TensorFlow z AutoML.
Czego się nauczysz:
⬤ Dowiesz się, jak używać popularnych GNN z TensorFlow do wykonywania zadań eksploracji grafów.
⬤ Odkryj świat transformatorów, od wstępnego szkolenia, przez dostrajanie, aż po ich ocenę.
⬤ Zastosuj samonadzorowane uczenie się do przetwarzania języka naturalnego, wizji komputerowej i przetwarzania sygnałów audio.
⬤ Łączenie modeli probabilistycznych i głębokiego uczenia przy użyciu TensorFlow Probability.
⬤ Trenuj swoje modele w chmurze i wykorzystuj TF do pracy w rzeczywistych środowiskach.
⬤ Twórz systemy uczenia maszynowego i głębokiego uczenia za pomocą TensorFlow 2.x i Keras API.
Dla kogo jest ta książka:
Ta praktyczna książka o uczeniu maszynowym jest przeznaczona dla programistów Pythona i naukowców zajmujących się danymi, którzy chcą budować systemy uczenia maszynowego i głębokiego uczenia za pomocą TensorFlow. Ta książka zawiera teorię i praktykę wymaganą do korzystania z Keras, TensorFlow i AutoML do tworzenia systemów uczenia maszynowego.
Przydatna będzie pewna wiedza z zakresu uczenia maszynowego. Nie zakładamy znajomości TF.
