Głębokie uczenie stosowane z Pythonem

Opinie czytelników

Książka stanowi praktyczne wprowadzenie do głębokiego uczenia się z praktycznymi projektami i jasnymi wskazówkami, ale cierpi na literówki i brak materiałów wprowadzających, co może dezorientować czytelników, szczególnie tych nowych w tej dziedzinie.

Świetne praktyczne wprowadzenie, wiele projektów, jasne wskazówki krok po kroku i dobre przykłady. Gorąco polecam entuzjastom Deep Learning i Pythona.

Liczne literówki utrudniają czytanie, a brak rozdziałów wprowadzających i jasnych instrukcji instalacji może być mylący dla początkujących.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Applied Deep Learning with Python

Zawartość książki:

Praktyczny przewodnik po głębokim uczeniu się, wypełniony intuicyjnymi wyjaśnieniami i angażującymi praktycznymi przykładami Kluczowe cechy Zaprojektowany, aby iteracyjnie rozwijać umiejętności użytkowników Pythona, którzy nie mają doświadczenia w nauce danych Obejmuje kluczowe podstawowe koncepcje, które musisz znać podczas budowania systemów głębokiego uczenia się Pełen ćwiczeń i działań krok po kroku, aby pomóc w budowaniu umiejętności potrzebnych w świecie rzeczywistym Opis książki

Przyjmując podejście wykorzystujące najnowsze osiągnięcia w ekosystemie Pythona, najpierw zostaniesz poprowadzony przez ekosystem Jupyter, kluczowe biblioteki wizualizacji i potężne techniki sanityzacji danych, zanim wytrenujemy nasz pierwszy model predykcyjny. Zbadamy różne podejścia do klasyfikacji, takie jak sieci wektorów nośnych, losowe lasy decyzyjne i k-najbliższych sąsiadów, aby zbudować zrozumienie, zanim przejdziemy do bardziej złożonego terytorium. Nic nie szkodzi, jeśli te terminy wydają się przytłaczające; pokażemy ci, jak wykorzystać je w praktyce.

Będziemy opierać się na naszej klasyfikacji, przyglądając się etycznemu skrobaniu stron internetowych i interaktywnym wizualizacjom, które pomogą Ci profesjonalnie gromadzić i prezentować swoje analizy. Następnie zaczniemy budować naszą kluczową aplikację głębokiego uczenia, która ma na celu przewidywanie przyszłej ceny Bitcoina na podstawie historycznych danych publicznych.

Prowadząc cię przez wyszkoloną sieć neuronową, zbadamy typowe architektury sieci głębokiego uczenia się (splotowe, rekurencyjne, generatywne przeciwstawne) i rozgałęzimy się na głębokie uczenie się ze wzmocnieniem, zanim zanurzymy się w optymalizację i ocenę modelu. Wszystko to zrobimy podczas pracy nad gotową do produkcji aplikacją internetową, która łączy Tensorflow i Keras w celu uzyskania znaczącego, przyjaznego dla użytkownika wyniku, pozostawiając ci wszystkie umiejętności potrzebne do zajęcia się i rozwijania własnych projektów głębokiego uczenia się w świecie rzeczywistym w sposób pewny i skuteczny. Czego się nauczysz Odkryj, jak możesz gromadzić i czyścić własne zbiory danych Opracuj dopasowaną strategię klasyfikacji uczenia maszynowego Buduj, trenuj i ulepszaj własne modele, aby rozwiązywać unikalne problemy Pracuj z gotowymi do produkcji frameworkami, takimi jak Tensorflow i Keras Wyjaśnij, jak działają sieci neuronowe w jasny i prosty sposób Dowiedz się, jak wdrożyć swoje prognozy w sieci Dla kogo jest ta książka?

Jeśli jesteś programistą Python wkraczającym w świat nauki o danych, jest to idealny sposób na rozpoczęcie. Spis treści Podstawy Jupyter Czyszczenie danych i zaawansowane uczenie maszynowe Web Scraping i interaktywne wizualizacje Wprowadzenie do sieci neuronowych i głębokiego uczenia Architektura modelu Ocena modelu Produktywność