Książka kucharska głębokiego uczenia TensorFlow 1.x

Opinie czytelników

Książka zbiera mieszane recenzje, z których niektórzy chwalą jej kompleksowe omówienie TensorFlow i praktyczne podejście, podczas gdy inni krytykują ją za słabą edycję, brak przejrzystości i liczne błędy.

Książka zapewnia przegląd TensorFlow na wysokim poziomie, obejmuje szeroki zakres modeli głębokiego uczenia się i jest zgodna z praktycznym formatem książki kucharskiej, dzięki czemu jest przydatna dla zaawansowanych użytkowników. Poszczególne rozdziały, takie jak te dotyczące Autoencoders i Reinforcement Learning, są szczególnie dobrze przyjęte. Upraszcza złożone koncepcje i oferuje dobre szczegóły dotyczące implementacji. Zawiera również instrukcje krok po kroku dotyczące korzystania z modeli TensorFlow w aplikacjach mobilnych.

Wiele recenzji podkreśla znaczące błędy edycyjne, w tym nieprawidłowe fragmenty kodu i słabe formatowanie, co może prowadzić do nieporozumień. Niektórzy czytelnicy uważają, że brakuje organizacji treści, ze słabo wyjaśnionymi przykładami. Książka jest krytykowana za mylące przedstawienie treści, ponieważ niektóre sekcje opierają się na Keras, a nie na TensorFlow. Ponadto twierdzi się, że wiele koncepcji i fragmentów kodu można znaleźć bezpłatnie w Internecie, co sprawia, że książka jest zbyt droga.

(na podstawie 16 opinii czytelników)

Oryginalny tytuł:

TensorFlow 1.x Deep Learning Cookbook

Zawartość książki:

Zrób kolejny krok w implementacji różnych popularnych i niezbyt popularnych sieci neuronowych za pomocą Tensorflow 1.x.

Kluczowe cechy:

⬤ Skompiluj i zaimplementuj trudne sieci neuronowe za pomocą Google TensorFlow 1.x.

⬤ Łatwy w prowadzeniu przewodnik, który pozwala odkryć uczenie się ze wzmocnieniem, GAN, autoenkodery, wielowarstwowe perceptrony i wiele więcej.

⬤ Praktyczne przepisy na pracę z Tensorflow na komputerach stacjonarnych, urządzeniach mobilnych i w chmurze.

Opis książki:

Głębokie sieci neuronowe (DNN) odniosły wiele sukcesów w dziedzinie wizji komputerowej, rozpoznawania mowy i przetwarzania języka naturalnego. Ten ekscytujący, oparty na przepisach przewodnik poprowadzi cię od teorii DNN do ich praktycznej implementacji w celu rozwiązywania rzeczywistych problemów w dziedzinie sztucznej inteligencji.

W tej książce dowiesz się, jak efektywnie korzystać z TensorFlow, otwartego frameworka Google do głębokiego uczenia się. Zaimplementujesz różne sieci głębokiego uczenia, takie jak konwolucyjne sieci neuronowe (CNN), rekurencyjne sieci neuronowe (RNN), głębokie sieci Q-learning (DQN) i generatywne sieci adwersarskie (GAN), korzystając z łatwych do wykonania samodzielnych przepisów. Dowiesz się, jak używać TensorFlow z Keras jako backendem. Dowiesz się, jak różne sieci DNN radzą sobie na popularnych zestawach danych, takich jak MNIST, CIFAR-10 i Youtube8m. Dowiesz się nie tylko o różnych platformach mobilnych i wbudowanych obsługiwanych przez TensorFlow, ale także o tym, jak skonfigurować platformy chmurowe dla aplikacji głębokiego uczenia. Poznasz również architekturę TPU i dowiesz się, jak wpłynie ona na przyszłość sieci DNN.

Korzystając z przejrzystych, bezsensownych przepisów, staniesz się ekspertem we wdrażaniu technik głębokiego uczenia w rozwijających się aplikacjach w świecie rzeczywistym i obszarach badawczych, takich jak uczenie ze wzmocnieniem, GAN i autoenkodery.

Czego się nauczysz:

⬤ Wykorzystywać różne zestawy danych, takie jak MNIST, CIFAR-10 i Youtube8m za pomocą TensorFlow i dowiedzieć się, jak uzyskać do nich dostęp i używać ich w swoim kodzie.

⬤ Wykorzystanie TensorBoard do zrozumienia architektury sieci neuronowych, optymalizacji procesu uczenia i zajrzenia do czarnej skrzynki sieci neuronowych.

⬤ Wykorzystanie różnych technik regresji do przewidywania i klasyfikacji.

⬤ Tworzenie jedno- i wielowarstwowych perceptronów w TensorFlow.

⬤ Implementacja CNN i RNN w TensorFlow i wykorzystanie ich do rozwiązywania rzeczywistych problemów.

⬤ Dowiedz się, w jaki sposób Restricted Boltzmann Machines mogą być wykorzystywane do rekomendowania filmów.

⬤ Zrozumienie implementacji autoenkoderów i głębokich sieci przekonań oraz wykorzystanie ich do wykrywania emocji.

⬤ Opanuj różne metody uczenia ze wzmocnieniem w celu wdrożenia agentów do gier.

Dla kogo jest ta książka:

Ta książka jest przeznaczona dla analityków danych, naukowców zajmujących się danymi, praktyków uczenia maszynowego i entuzjastów głębokiego uczenia się, którzy chcą regularnie wykonywać zadania głębokiego uczenia się i szukają poręcznego przewodnika, do którego mogą się odwołać. Osoby, które są nieco zaznajomione z sieciami neuronowymi, a teraz chcą zdobyć doświadczenie w pracy z różnymi typami sieci neuronowych i zbiorami danych, uznają tę książkę za całkiem przydatną.