Początki wykrywania anomalii przy użyciu głębokiego uczenia w Pythonie: With Keras and Pytorch

Opinie czytelników

Książka otrzymała negatywne opinie, a recenzent wyraził rozczarowanie jej długością i jakością treści. Skrytykował użycie dużych obrazów, które marnowały miejsce i zakwestionował kwalifikacje jednego z autorów. Recenzent wyraził również nieufność wobec recenzji dostępnych na Amazon.

Korzyści z książki nie zostały zgłoszone.

Książka jest zbyt długa, z niepotrzebnymi pustymi przestrzeniami i dużymi zdjęciami. Jeden z autorów nie posiada wystarczających kwalifikacji. Recenzent uważa, że treść jest myląca i uważa, że jakość publikacji jest niska.

(na podstawie 2 opinii czytelników)

Oryginalny tytuł:

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Zawartość książki:

Skorzystaj z tego łatwego w użyciu przewodnika dla początkujących, aby zrozumieć, w jaki sposób głębokie uczenie się może być zastosowane do zadania wykrywania anomalii. Korzystając z Keras i PyTorch w Pythonie, książka koncentruje się na tym, jak różne modele głębokiego uczenia mogą być stosowane do pół-nadzorowanych i nienadzorowanych zadań wykrywania anomalii.

Książka rozpoczyna się od wyjaśnienia, czym jest wykrywanie anomalii, do czego służy i jakie jest jego znaczenie. Po omówieniu statystycznych i tradycyjnych metod uczenia maszynowego do wykrywania anomalii przy użyciu Scikit-Learn w Pythonie, książka zawiera wprowadzenie do głębokiego uczenia się ze szczegółami dotyczącymi budowania i trenowania modelu głębokiego uczenia się zarówno w Keras, jak i PyTorch, zanim skupi się na zastosowaniach następujących modeli głębokiego uczenia się do wykrywania anomalii: różne typy Autoencoderów, Restricted Boltzmann Machines, RNNs i LSTM oraz Temporal Convolutional Networks. Książka bada nienadzorowane i pół-nadzorowane wykrywanie anomalii wraz z podstawami wykrywania anomalii opartych na szeregach czasowych.

Pod koniec książki będziesz miał dogłębne zrozumienie podstawowego zadania wykrywania anomalii, a także asortyment metod podejścia do wykrywania anomalii, od tradycyjnych metod po głębokie uczenie się. Dodatkowo, zostaniesz wprowadzony do Scikit-Learn i będziesz w stanie tworzyć modele głębokiego uczenia w Keras i PyTorch.

Czego się nauczysz

⬤ Zrozumieć, czym jest wykrywanie anomalii i dlaczego jest ono ważne w dzisiejszym świecie.

⬤ Zapoznać się ze statystycznymi i tradycyjnymi podejściami uczenia maszynowego do wykrywania anomalii przy użyciu Scikit-Learn.

⬤ Znać podstawy głębokiego uczenia się w Pythonie przy użyciu Keras i PyTorch.

⬤ Znajomość podstawowych pojęć z zakresu nauki o danych w celu pomiaru wydajności modelu: zrozumienie, czym jest AUC, co oznaczają precyzja i wycofanie i nie tylko.

⬤ Zastosuj głębokie uczenie do pół-nadzorowanego i nienadzorowanego wykrywania anomalii.

Dla kogo jest ta książka

Naukowcy zajmujący się danymi i inżynierowie uczenia maszynowego zainteresowani poznaniem podstaw zastosowań głębokiego uczenia w wykrywaniu anomalii.