Opinie czytelników
Podsumowanie:Recenzenci chwalą książkę za jasne wyjaśnienie koncepcji generatywnego uczenia głębokiego i dobrze zorganizowaną treść, która równoważy teorię z praktycznymi zastosowaniami. Czytelnicy podkreślają głębię informacji dostarczonych na temat różnych modeli generatywnych i wciągający styl pisania autora. Warto jednak zwrócić uwagę na krytykę dotyczącą jakości przykładów kodu w wydaniu Kindle oraz pewnych problemów z uruchamianiem wersji demonstracyjnych.
Zalety:⬤ Doskonała struktura i łatwość śledzenia.
⬤ Przejrzyste wyjaśnienia złożonych pojęć.
⬤ Dobra równowaga między teorią a praktycznymi przykładami.
⬤ Kompleksowe omówienie modeli generatywnych.
⬤ Wciągający i humorystyczny styl pisania.
⬤ Liczne przykłady dobrze działającego kodu.
Wady:⬤ Słaba jakość równań matematycznych i notacji w wydaniu Kindle.
⬤ Niektóre przykłady kodu są trudne do uruchomienia ze względu na problemy z kompatybilnością i przestarzałe biblioteki.
⬤ Kilku recenzentów zauważyło, że wyniki treningu modeli nie odpowiadają oczekiwanym rezultatom.
⬤ Brak sekcji dotyczącej oceny jakości generowanych wyników.
(na podstawie 24 opinii czytelników)
Oryginalny tytuł:
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
Zawartość książki:
Modelowanie generatywne to jeden z najgorętszych tematów w sztucznej inteligencji. Obecnie możliwe jest nauczenie maszyny, aby doskonaliła się w ludzkich przedsięwzięciach, takich jak malowanie, pisanie i komponowanie muzyki. Dzięki tej praktycznej książce inżynierowie uczenia maszynowego i naukowcy zajmujący się danymi odkryją, jak odtworzyć niektóre z najbardziej imponujących przykładów generatywnych modeli głębokiego uczenia się, takich jak wariacyjne autoenkodery, generatywne sieci przeciwstawne (GAN), transformatory, normalizujące przepływy i modele dyfuzyjne.
Autor David Foster demonstruje wewnętrzne działanie każdej techniki, zaczynając od podstaw głębokiego uczenia się, a następnie przechodząc do niektórych z najnowocześniejszych algorytmów w tej dziedzinie. Dzięki wskazówkom i sztuczkom zrozumiesz, jak sprawić, by Twoje modele uczyły się wydajniej i stały się bardziej kreatywne.
⬤ Odkryj, w jaki sposób autoenkodery wariacyjne mogą zmieniać mimikę twarzy na zdjęciach.
⬤ Zbuduj praktyczne przykłady GAN od podstaw, aby generować obrazy na podstawie własnego zbioru danych.
⬤ Tworzenie autoregresyjnych modeli generatywnych, takich jak LSTM do generowania tekstu i PixelCNN do generowania obrazów.
⬤ Tworzenie modeli generowania muzyki przy użyciu Transformers i MuseGAN.
⬤ Poznaj działanie najnowocześniejszych architektur, takich jak StyleGAN, VQ-VAE, BERT i GPT-3.
⬤ Zapoznanie się z aktualnymi praktycznymi zastosowaniami modeli generatywnych, takich jak transfer stylu (CycleGAN, neuronowy transfer stylu) i modele multimodalne (CLIP i DALL. E 2) do generowania tekstu na obrazy.
⬤ Zrozumienie, w jaki sposób modele generatywne mogą pomóc agentom w wykonywaniu zadań w ramach uczenia ze wzmocnieniem.
⬤ Zrozumienie, w jaki sposób przyszłość modelowania generatywnego może ewoluować, w tym w jaki sposób firmy będą musiały się dostosować, aby skorzystać z nowych technologii.
