Uczenie głębokie w Pythonie - wydanie drugie: Odkrywanie technik głębokiego uczenia i architektur sieci neuronowych za pomocą PyTorch, Keras i TensorFlow, wyd. 2

Opinie czytelników

Książka jest kompleksowym źródłem wiedzy na temat głębokiego uczenia się, obejmującym szeroki zakres tematów, od podstawowych sieci neuronowych po zaawansowane modele, takie jak uczenie ze wzmocnieniem i zastosowania w takich dziedzinach, jak wizja komputerowa i pojazdy autonomiczne. Jest dobrze przyjęta ze względu na jasne wyjaśnienia i praktyczne przykłady, dzięki czemu jest odpowiednia dla różnych poziomów umiejętności. Niektórzy użytkownicy ubolewają jednak nad usunięciem wartościowych treści z poprzednich wydań, a także krytykują jakość grafiki i dostępność materiałów uzupełniających.

Szeroki zakres tematów związanych z głębokim uczeniem się, jasne wyjaśnienia odpowiednie dla różnych poziomów umiejętności, praktyczne przykłady, włączenie głównych bibliotek głębokiego uczenia się, obszerne sekcje dotyczące wizji komputerowej i uczenia się ze wzmocnieniem.

Usunięto cenny materiał z poprzednich wydań, jakość grafiki jest niższa niż w poprzednich wydaniach, materiały uzupełniające są mylące (np. linki do GitHub wskazują na nieprawidłowe repozytoria), a niektóre tematy, zwłaszcza dotyczące przetwarzania języka naturalnego, mogłyby być bardziej szczegółowe.

(na podstawie 8 opinii czytelników)

Oryginalny tytuł:

Python Deep Learning - Second Edition: Exploring deep learning techniques and neural network architectures with PyTorch, Keras, and TensorFlow, 2nd Ed

Zawartość książki:

Poznaj zaawansowane, najnowocześniejsze techniki głębokiego uczenia i ich zastosowania przy użyciu popularnych bibliotek Pythona.

Kluczowe cechy

⬤ Zbuduj solidne podstawy w sieciach neuronowych i głębokim uczeniu się z bibliotekami Pythona.

⬤ Poznaj zaawansowane techniki głębokiego uczenia i ich zastosowania w wizji komputerowej i NLP.

⬤ Dowiedz się, jak komputer może poruszać się w złożonych środowiskach dzięki uczeniu ze wzmocnieniem.

Opis książki

Wraz z gwałtownym wzrostem sztucznej inteligencji w aplikacjach zaspokajających zarówno potrzeby biznesowe, jak i konsumenckie, głębokie uczenie jest ważniejsze niż kiedykolwiek, aby sprostać obecnym i przyszłym wymaganiom rynku. Dzięki tej książce poznasz głębokie uczenie się i dowiesz się, jak wykorzystać uczenie maszynowe w swoich projektach.

Druga edycja Python Deep Learning pozwoli ci zapoznać się z głębokim uczeniem, głębokimi sieciami neuronowymi oraz sposobami ich trenowania za pomocą wysokowydajnych algorytmów i popularnych frameworków Pythona. Poznasz różne architektury sieci neuronowych, takie jak sieci splotowe, rekurencyjne sieci neuronowe, sieci z długą pamięcią krótkotrwałą (LSTM) i sieci kapsułowe. Dowiesz się także, jak rozwiązywać problemy z zakresu widzenia komputerowego, przetwarzania języka naturalnego (NLP) i rozpoznawania mowy. Zapoznasz się z modelami generatywnymi, takimi jak autoenkodery wariacyjne i generatywne sieci adwersarzy (GAN) do generowania obrazów. Zagłębiając się w nowo rozwinięte obszary uczenia ze wzmocnieniem, zrozumiesz najnowocześniejsze algorytmy, które są głównymi komponentami popularnych gier Go, Atari i Dota.

Pod koniec książki będziesz dobrze zaznajomiony z teorią głębokiego uczenia się wraz z jej rzeczywistymi zastosowaniami.

Czego się nauczysz

⬤ Zrozumieć teorię matematyczną stojącą za sieciami neuronowymi i procesami głębokiego uczenia.

⬤ Badać i rozwiązywać wyzwania związane z wizją komputerową przy użyciu sieci konwolucyjnych i sieci kapsułkowych.

⬤ Rozwiązywanie zadań generatywnych przy użyciu autoenkoderów wariacyjnych i generatywnych sieci adwersarzy.

⬤ Implementacja złożonych zadań NLP przy użyciu sieci rekurencyjnych (LSTM i GRU) i modeli uwagi.

⬤ Zbadanie uczenia się ze wzmocnieniem i zrozumienie, jak agenci zachowują się w złożonym środowisku.

⬤ Bądź na bieżąco z zastosowaniami uczenia głębokiego w pojazdach autonomicznych.

Dla kogo jest ta książka.

Ta książka jest przeznaczona dla praktyków nauki o danych, inżynierów uczenia maszynowego i osób zainteresowanych głębokim uczeniem się, którzy mają podstawowe podstawy uczenia maszynowego i pewne doświadczenie w programowaniu w Pythonie. Podstawy matematyki i koncepcyjne zrozumienie rachunku różniczkowego i statystyki pomogą ci uzyskać maksymalne korzyści z tej książki.