Generatywne sieci adwersarzy z przemysłowymi przypadkami użycia: Nauka tworzenia aplikacji GAN dla handlu detalicznego, opieki zdrowotnej, telekomunikacji, mediów, edukacji, a

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 12 głosach.

Oryginalny tytuł:

Generative Adversarial Networks with Industrial Use Cases: Learning How to Build GAN Applications for Retail, Healthcare, Telecom, Media, Education, a

Zawartość książki:

Najlepsza książka o GAN

Kluczowe cechy

⬤ Zrozumienie krajobrazu głębokiego uczenia się i znaczenia GAN.

⬤  Poznanie podstaw GAN.

⬤ Nauka budowania sieci GAN od podstaw.

⬤  Zrozumienie matematyki i ograniczeń GAN.

⬤  Zrozumienie aplikacji GAN dla handlu detalicznego, opieki zdrowotnej, telekomunikacji, mediów i EduTech.

⬤ Zrozumienie ważnych dokumentów GAN, takich jak pix2pixGAN, styleGAN, cycleGAN, DCGAN.

⬤ Nauka tworzenia kodu GAN do zastosowań przemysłowych.

⬤ Zrozumienie różnicy między odmianami GAN.

Opis

Ta książka ma na celu uproszczenie GAN dla każdego. Książka ta jest bardzo ważna dla inżynierów uczenia maszynowego, badaczy, studentów, profesorów i profesjonalistów. Uniwersytety i instruktorzy kursów online uznają tę książkę za bardzo interesującą do nauczania zaawansowanego głębokiego uczenia się, w szczególności Generative Adversarial Networks (GAN). Specjaliści z branży, programiści i naukowcy zajmujący się danymi mogą nauczyć się GAN od podstaw. Mogą dowiedzieć się, jak tworzyć kody GAN do zastosowań przemysłowych w służbie zdrowia, handlu detalicznym, HRTech, EduTech, telekomunikacji, mediach i rozrywce. Matematyka GAN jest omówiona i zilustrowana. Rozbieżność KL i inne części GAN są zilustrowane i omówione matematycznie. Ta książka uczy, jak tworzyć kody dla pix2pix GAN, DCGAN, CGAN, styleGAN, cycleGAN i wielu innych GAN. Naukowcy zajmujący się uczeniem maszynowym i głębokim uczeniem nauczą się GAN w najkrótszym możliwym czasie z pomocą tej książki.

Czego się nauczysz

⬤  Naukowcy zajmujący się uczeniem maszynowym będą mogli swobodnie budować zaawansowane kody głębokiego uczenia do zastosowań przemysłowych.

⬤  Naukowcy zajmujący się danymi zaczną rozwiązywać bardzo złożone problemy w uczeniu głębokim.

⬤  Studenci będą gotowi dołączyć do przemysłu z tymi umiejętnościami.

⬤  Przeciętni inżynierowie danych i naukowcy będą w stanie opracować złożone kody GAN do rozwiązywania najtrudniejszych problemów w wizji komputerowej.

Dla kogo jest ta książka

Ta książka jest idealna dla inżynierów uczenia maszynowego, naukowców zajmujących się danymi, inżynierów danych, specjalistów od głębokiego uczenia i badaczy wizji komputerowej. Książka ta jest również bardzo przydatna dla profesjonalistów zajmujących się obrazowaniem medycznym, profesjonalistów zajmujących się pojazdami autonomicznymi, profesjonalistów zajmujących się modą detaliczną, profesjonalistów zajmujących się mediami i rozrywką, edutech i HRtech. Profesorowie i studenci zajmujący się uczeniem maszynowym, głębokim uczeniem, wizją komputerową i zastosowaniami przemysłowymi uznają tę książkę za niezwykle przydatną.

Spis treści

1. Podstawy GAN.

2. Aplikacje GAN.

3. Problemy z GAN.

4. Znane typy sieci GAN.

O autorze

Navin K Manaswi opracowywał rozwiązania/produkty AI dla HRTech, handlu detalicznego, ITSM, opieki zdrowotnej, telekomunikacji, ubezpieczeń, marketingu cyfrowego i łańcucha dostaw, pracując dla firm konsultingowych w Malezji, Singapurze i Dubaju. Jest seryjnym przedsiębiorcą w dziedzinie sztucznej inteligencji i rozszerzonej rzeczywistości. Tworzył rozwiązania dla inteligencji wideo, inteligencji dokumentów i chatbotów podobnych do ludzkich. Jest gościnnym wykładowcą na IIT Kharagpur na kursie AI i autorem słynnej książki o głębokim uczeniu się. Oficjalnie posiada tytuł Google Developer Expert w dziedzinie uczenia maszynowego. Organizuje i mentoruje hackathony AI i obozy startowe podczas wydarzeń Google i wydarzeń uniwersyteckich. Jego startup WoWExp buduje niesamowite produkty w przestrzeni AI i AR.

Linki do bloga: www.navinmanaswi.com.

Twój profil LinkedIn: https: //www.linkedin.com/in/navin-manaswi-1a708b8/.