Praktyczne głębokie uczenie: Wprowadzenie oparte na Pythonie

Opinie czytelników

Książka oferuje przystępne i praktyczne wprowadzenie do głębokiego uczenia się, obejmujące podstawy z techniczną głębią. Wielu czytelników uważa ją za dobrze skonstruowaną i solidną pod względem pedagogicznym, dzięki czemu jest odpowiednia zarówno dla inżynierów, jak i hobbystów. Niektórzy recenzenci krytykują ją jednak za brak głębi w przykładach zastosowań i twierdzą, że nie dostarcza ona przydatnych informacji wykraczających poza to, co jest dostępne online za darmo.

Bardzo przystępne wprowadzenie, dokładne omówienie podstaw, praktyczny przewodnik z przykładami kodu, pomaga rozwijać intuicję, dobrze zorganizowany i pedagogiczny.

Niektórzy uważają, że nie jest ani praktyczny, ani przydatny, brakuje mu kompletnych aplikacji; krytyka obejmuje fakt, że podobne informacje są dostępne bezpłatnie w Internecie.

(na podstawie 5 opinii czytelników)

Oryginalny tytuł:

Practical Deep Learning: A Python-Based Introduction

Zawartość książki:

Practical Deep Learning uczy zupełnie początkujących, jak budować zbiory danych i modele potrzebne do trenowania sieci neuronowych dla własnych projektów DL.

Jeśli byłeś ciekawy uczenia maszynowego, ale nie wiedziałeś od czego zacząć, to jest to książka, na którą czekałeś. Skupiając się na poddziedzinie uczenia maszynowego znanej jako głębokie uczenie, wyjaśnia podstawowe pojęcia i daje podstawy potrzebne do rozpoczęcia tworzenia własnych modeli. Zamiast po prostu przedstawiać przepisy na korzystanie z istniejących zestawów narzędzi, Practical Deep Learning uczy, dlaczego głębokie uczenie się i zainspiruje cię do dalszych poszukiwań.

Wszystko, czego potrzebujesz, to podstawowa znajomość programowania komputerowego i matematyki na poziomie szkoły średniej - książka zajmie się resztą. Po wprowadzeniu do Pythona, przejdziesz przez kluczowe tematy, takie jak tworzenie dobrego zestawu danych treningowych, praca z bibliotekami scikit-learn i Keras oraz ocena wydajności modeli.

Dowiesz się również:

- Jak korzystać z klasycznych modeli uczenia maszynowego, takich jak k-Nearest Neighbors, Random Forests i Support Vector Machines.

- Jak działają sieci neuronowe i jak się je trenuje.

- Jak korzystać z konwolucyjnych sieci neuronowych.

- Jak opracować od podstaw skuteczny model głębokiego uczenia.

Będziesz przeprowadzać eksperymenty po drodze, budując końcowe studium przypadku, które zawiera wszystko, czego się nauczyłeś.

Doskonałe wprowadzenie do tej dynamicznej, stale rozwijającej się dziedziny, Practical Deep Learning zapewni ci umiejętności i pewność siebie, aby zanurzyć się we własnych projektach uczenia maszynowego.