Książka kucharska głębokiego uczenia: Praktyczne przepisy na szybkie rozpoczęcie pracy

Opinie czytelników

Książka jest chwalona za praktyczne podejście do głębokiego uczenia się, dzięki czemu złożone tematy są dostępne dla osób z podstawowym zrozumieniem programowania. Obejmuje ona różne tematy, w tym klasyfikację tekstu, przetwarzanie obrazu i analizę muzyki, wraz z przydatnymi notatnikami Pythona. Ma jednak pewne ograniczenia, takie jak bycie czarno-białym i wymaganie modyfikacji niektórych przykładowych kodów, aby działały poprawnie.

Obejmuje szeroką gamę tematów w głębokim uczeniu się, praktyczne podejście, proste diagramy, zabawny ton, dobrze napisany, wraz z notatnikami Python i udostępnionymi przykładami na GitHub. Zawiera unikalne treści, takie jak analiza muzyki.

Czarno-biały format może nie być idealny dla wszystkich wyników, niektóre przykładowe kody wymagają modyfikacji przed uruchomieniem i nie obejmuje głębokiego uczenia ze wzmocnieniem.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Deep Learning Cookbook: Practical Recipes to Get Started Quickly

Zawartość książki:

Uczenie głębokie nie musi być onieśmielające. Do niedawna ta metoda uczenia maszynowego wymagała lat nauki, ale dzięki frameworkom takim jak Keras i Tensorflow, inżynierowie oprogramowania bez doświadczenia w uczeniu maszynowym mogą szybko wejść w tę dziedzinę. Dzięki przepisom zawartym w tej książce kucharskiej dowiesz się, jak rozwiązywać problemy związane z głębokim uczeniem się w celu klasyfikowania i generowania tekstu, obrazów i muzyki.

Każdy rozdział składa się z kilku przepisów potrzebnych do ukończenia pojedynczego projektu, takiego jak szkolenie systemu rekomendacji muzyki. Autor Douwe Osinga zapewnia również rozdział z pół tuzinem technik, które pomogą ci, jeśli utkniesz. Przykłady są napisane w Pythonie, a kod jest dostępny na GitHub jako zestaw notatników Pythona.

Dowiesz się jak

⬤ Tworzyć aplikacje, które będą służyć prawdziwym użytkownikom.

⬤ Używać osadzania słów do obliczania podobieństwa tekstu.

⬤ Zbudować system rekomendacji filmów oparty na linkach z Wikipedii.

⬤ Dowiedzieć się, jak sztuczna inteligencja postrzega świat, wizualizując swój stan wewnętrzny.

⬤ Zbuduj model sugerujący emoji dla fragmentów tekstu.

⬤ Wykorzystanie wstępnie wytrenowanych sieci do zbudowania usługi odwrotnego wyszukiwania obrazów.

⬤ Porównanie sposobu generowania ikon przez GAN, autoenkodery i LSTM.

⬤ Wykrywanie stylów muzycznych i indeksowanie kolekcji utworów.