Głębokie uczenie z Keras

Opinie czytelników

Książka jest praktycznym przewodnikiem po implementacji modeli głębokiego uczenia przy użyciu Keras, idealnym dla osób już zaznajomionych z uczeniem maszynowym. Kładzie nacisk na przykłady kodowania, a nie na teoretyczne zrozumienie, dzięki czemu jest odpowiednia dla doświadczonych naukowców zajmujących się danymi. Brakuje jej jednak głębi w teorii i zauważono problemy z formatowaniem, które mogą utrudniać czytanie.

** Zapewnia praktyczne szczegóły implementacji i przykłady modeli głębokiego uczenia się przy użyciu Keras. ** Odpowiedni dla czytelników, którzy już rozumieją koncepcje uczenia maszynowego. ** Obejmuje najnowsze badania i zawiera dobrze zbadane przykłady. ** Szybkie i wygodne wprowadzenie do korzystania z Keras.

** Brak głębi w teoretycznych wyjaśnieniach i podstawowej matematyce. ** Wiele przykładów jest podstawowych bez wystarczającego kontekstu lub wyjaśnienia. ** Słabe formatowanie książki, szczególnie w wersji Kindle, z trudnymi do odczytania obrazami i kodem. ** Niektórzy czytelnicy uznali, że cena jest zbyt wysoka w stosunku do poziomu zawartości.

(na podstawie 42 opinii czytelników)

Oryginalny tytuł:

Deep Learning with Keras

Zawartość książki:

Uwaga wydawcy: To wydanie z 2017 r. jest przestarzałe i nie jest kompatybilne z TensorFlow 2 ani żadną z najnowszych aktualizacji bibliotek Pythona. Nowe, drugie wydanie, zaktualizowane na 2020 r. i zawierające TensorFlow 2, Keras API, CNN, GAN, RNN, NLP i AutoML, zostało już opublikowane.

Kluczowe cechy:

⬤ Zaimplementuj różne algorytmy głębokiego uczenia w Keras i zobacz, jak głębokie uczenie może być wykorzystywane w grach.

⬤ Zobacz, jak różne modele głębokiego uczenia i praktyczne przypadki użycia mogą być zaimplementowane przy użyciu Keras.

⬤ Praktyczny, praktyczny przewodnik z rzeczywistymi przykładami, który zapewni ci solidne podstawy w Keras.

Opis książki:

Książka ta rozpoczyna się od wprowadzenia do algorytmów uczenia nadzorowanego, takich jak prosta regresja liniowa, klasyczny perceptron wielowarstwowy i bardziej zaawansowane głębokie sieci konwolucyjne. Zapoznasz się również z przetwarzaniem obrazu z rozpoznawaniem odręcznych obrazów cyfr, klasyfikacją obrazów do różnych kategorii oraz zaawansowanym rozpoznawaniem obiektów z powiązanymi adnotacjami obrazu. Przedstawiony zostanie również przykład identyfikacji istotnych punktów do wykrywania twarzy.

Następnie poznasz sieci rekurencyjne, które są zoptymalizowane do przetwarzania danych sekwencyjnych, takich jak tekst, dźwięk lub szeregi czasowe. Następnie poznasz algorytmy uczenia się bez nadzoru, takie jak Autoencoders i bardzo popularne Generative Adversarial Networks (GAN). Poznasz również nietradycyjne zastosowania sieci neuronowych, takie jak Style Transfer.

Na koniec przyjrzymy się uczeniu ze wzmocnieniem i jego zastosowaniu w grach AI, kolejnym popularnym kierunku badań i zastosowań sieci neuronowych.

Czego się nauczysz:

⬤ Optymalizacja funkcji krok po kroku w dużej sieci neuronowej przy użyciu algorytmu wstecznej propagacji.

⬤ Dostrajać sieć neuronową w celu poprawy jakości wyników.

⬤ Wykorzystanie głębokiego uczenia do przetwarzania obrazu i dźwięku.

⬤ Wykorzystanie rekursywnych neuronowych sieci tensorowych (RNTN) w celu uzyskania lepszych wyników niż standardowe osadzanie słów w szczególnych przypadkach.

⬤ Identyfikacja problemów, dla których odpowiednie są rozwiązania oparte na rekurencyjnych sieciach neuronowych (RNN).

⬤ Zbadanie procesu wymaganego do wdrożenia autoenkoderów.

⬤ Ewolucja głębokiej sieci neuronowej przy użyciu uczenia ze wzmocnieniem.

Dla kogo jest ta książka:

Jeśli jesteś analitykiem danych z doświadczeniem w uczeniu maszynowym lub programistą AI z pewną ekspozycją na sieci neuronowe, ta książka będzie przydatnym punktem wyjścia do głębokiego uczenia się z Keras. Do korzystania z tej książki wymagana jest znajomość języka Python.