Ocena:
Użytkownik wyraża duże niezadowolenie z jakości książki, wskazując na poważne problemy z jej składem, niepoprawnymi symbolami matematycznymi, słabą reprezentacją wykresów i ogólnym układem treści. Zaleca poszukiwanie alternatywnych zasobów.
Zalety:Korzyści z książki nie zostały zgłoszone.
Wady:⬤ Straszna jakość
⬤ niespójny skład
⬤ niepoprawne symbole matematyczne
⬤ źle zaprojektowane wykresy
⬤ zbyt duża czcionka i kiepski układ
⬤ treść jest trudna do zlokalizowania
⬤ ogólnie żałuję zakupu.
(na podstawie 1 opinii czytelników)
Deep Neuro-Fuzzy Systems with Python: With Case Studies and Applications from the Industry
Uzyskaj wgląd w logikę rozmytą i sieci neuronowe oraz w jaki sposób integracja tych dwóch modeli tworzy inteligentne systemy w obecnym świecie. Ta książka upraszcza implementację koncepcji logiki rozmytej i sieci neuronowych przy użyciu Pythona.
Zaczniesz od omówienia podstaw zbiorów rozmytych i relacji oraz tego, w jaki sposób każdy członek zbioru ma własne wartości funkcji przynależności. Przyjrzymy się także różnym architekturom i modelom, które zostały opracowane, a także temu, w jaki sposób zdefiniowano reguły i rozumowanie, aby umożliwić tworzenie tych architektur. Następnie książka przedstawia bliższe spojrzenie na sieci neuronowe i powiązane architektury, koncentrując się na różnych problemach, jakie sieci neuronowe mogą napotkać podczas szkolenia, oraz na tym, jak różne metody optymalizacji mogą pomóc w ich rozwiązaniu.
W ostatniej części książki zbadane zostaną integracje logiki rozmytej i sieci neuronowych, adaptacyjne systemy wnioskowania neurorozmytego oraz różne przybliżenia z nimi związane. Zapoznasz się z różnymi typami głębokich klasyfikatorów neurorozmytych, rozmytymi neuronami i adaptacyjnymi możliwościami uczenia się sieci neuronowych. Książka kończy się przeglądem zaawansowanych modeli i aplikacji neurorozmytych.
Czego się nauczysz
⬤ Zrozumienie logiki rozmytej, funkcji przynależności, relacji rozmytych i wnioskowania rozmytego.
⬤ Przegląd sieci neuronowych, propagacji wstecznej i optymalizacji.
⬤ Praca z różnymi architekturami, takimi jak model Takagi-Sugeno, model hybrydowy, algorytmy genetyczne i aproksymacje.
⬤ Zastosuj implementacje głębokiego systemu neuronowo-rozmytego w języku Python.
Dla kogo jest ta książka
Naukowcy zajmujący się danymi i inżynierowie oprogramowania z podstawową wiedzą na temat uczenia maszynowego, którzy chcą rozszerzyć swoją wiedzę o hybrydowe zastosowania głębokiego uczenia i logiki rozmytej.
