Ocena:
Ta książka na temat głębokiego uczenia się jest chwalona za jasny język, praktyczne przykłady kodowania w TensorFlow i umiejętność przekazywania złożonych koncepcji w przystępny sposób. Służy zarówno inżynierom, którzy chcą nauczyć się głębokiego uczenia do praktycznych zastosowań, jak i bardziej zaawansowanym użytkownikom poszukującym kompleksowego zrozumienia tej dziedziny. Może jednak nie być odpowiednia dla absolutnie początkujących lub tych, którzy szukają głębokiej analizy matematycznej.
Zalety:Doskonałe wyjaśnienia pojęć, praktyczne przykłady kodowania, przystępny styl pisania, odpowiedni zarówno dla nowicjuszy, jak i ekspertów, obejmuje szeroki zakres architektur i zastosowań głębokiego uczenia się, odpowiednie i dobrze zorganizowane treści, ładny układ i diagramy.
Wady:Może być nieco pośpieszna w niektórych obszarach, może nie zapewniać wystarczającej głębi dla absolutnie początkujących lub tych, którzy szukają głębokiego zrozumienia matematycznego, problemy z jakością druku w niektórych egzemplarzach.
(na podstawie 22 opinii czytelników)
Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using Tensorflo
Kolorowy przewodnik NVIDIA po uczeniu głębokim: Wszystko, czego potrzebujesz, aby zacząć i osiągnąć wyniki.
"Umożliwienie każdemu udziału w tej historycznej rewolucji wymaga demokratyzacji wiedzy i zasobów AI. Ta książka jest aktualna i istotna dla osiągnięcia tych wzniosłych celów."
-- Z przedmowy dr Animy Anandkumar, profesor Bren w Caltech i dyrektor ds. badań nad uczeniem maszynowym w NVIDIA.
"Ekman wykorzystuje technikę uczenia się, która z naszego doświadczenia okazała się kluczowa dla sukcesu - prosząc czytelnika o zastanowienie się nad wykorzystaniem technik DL w praktyce. Jego proste podejście jest odświeżające i pozwala czytelnikowi marzyć, choć trochę, o tym, dokąd DL może nas jeszcze zaprowadzić."
-- Z przedmowy dr Craiga Clawsona, dyrektora NVIDIA Deep Learning Institute.
Uczenie głębokie (DL) jest kluczowym elementem dzisiejszych ekscytujących postępów w uczeniu maszynowym i sztucznej inteligencji. Learning Deep Learning to kompletny przewodnik po DL. Naświetlając zarówno podstawowe koncepcje, jak i praktyczne techniki programowania potrzebne do odniesienia sukcesu, książka ta jest idealna dla programistów, analityków danych, analityków i innych osób - w tym osób bez wcześniejszego doświadczenia w uczeniu maszynowym lub statystyce.
Po wprowadzeniu podstawowych elementów składowych głębokich sieci neuronowych, takich jak sztuczne neurony oraz w pełni połączone, splotowe i rekurencyjne warstwy, Magnus Ekman pokazuje, jak wykorzystać je do budowy zaawansowanych architektur, w tym Transformera. Opisuje, w jaki sposób koncepcje te są wykorzystywane do budowy nowoczesnych sieci do wizji komputerowej i przetwarzania języka naturalnego (NLP), w tym Mask R-CNN, GPT i BERT. Wyjaśnia też, jak działa tłumacz języka naturalnego i system generujący opisy obrazów w języku naturalnym.
W całym tekście Ekman dostarcza zwięzłych, dobrze opisanych przykładów kodu wykorzystujących TensorFlow z Keras. Odpowiednie przykłady PyTorch są dostępne online, dzięki czemu książka obejmuje dwie dominujące biblioteki Pythona dla DL używane w przemyśle i środowisku akademickim. Książka kończy się wprowadzeniem do wyszukiwania architektury neuronowej (NAS), badając ważne kwestie etyczne i zapewniając zasoby do dalszej nauki.
⬤ Poznaj i opanuj podstawowe pojęcia: perceptrony, uczenie oparte na gradiencie, neurony sigmoidalne i propagację wsteczną.
⬤ Zobacz, w jaki sposób frameworki DL ułatwiają tworzenie bardziej skomplikowanych i użytecznych sieci neuronowych.
⬤ Odkryj, jak konwolucyjne sieci neuronowe (CNN) rewolucjonizują klasyfikację i analizę obrazów.
⬤ Zastosuj rekurencyjne sieci neuronowe (RNN) i długą pamięć krótkotrwałą (LSTM) do tekstu i innych sekwencji o zmiennej długości.
⬤ Opanuj NLP z sieciami sekwencja-sekwencja i architekturą Transformer.
⬤ Tworzenie aplikacji do tłumaczenia języka naturalnego i tworzenia napisów do obrazów.
Wynalezienie procesora graficznego przez firmę NVIDIA zapoczątkowało rynek gier komputerowych. Pionierskie prace firmy w dziedzinie akceleracji obliczeń - doładowanej formy obliczeń na przecięciu grafiki komputerowej, wysokowydajnych obliczeń i sztucznej inteligencji - przekształcają branże warte biliony dolarów, takie jak transport, opieka zdrowotna i produkcja, oraz napędzają rozwój wielu innych.
Zarejestruj swoją książkę, aby uzyskać wygodny dostęp do pobierania, aktualizacji i/lub poprawek, gdy tylko staną się dostępne. Szczegóły znajdują się wewnątrz książki.