Ocena:
Książka „Python Deep Learning” oferuje praktyczny i kompleksowy przewodnik po zrozumieniu i budowaniu modeli głębokiego uczenia się w języku Python. Równoważy podstawy teoretyczne z praktycznymi przykładami, obejmując podstawowe tematy, takie jak sieci neuronowe, sieci splotowe, przetwarzanie języka naturalnego i MLOps. Tekst jest przejrzysty i wciągający, dzięki czemu nadaje się zarówno dla początkujących, jak i doświadczonych praktyków. Czytelnicy zauważyli jednak potencjalny skok złożoności w niektórych momentach i zasugerowali jaśniejsze specyfikacje wersji dla Pythona i bibliotek.
Zalety:Kompleksowe omówienie koncepcji głębokiego uczenia się, od podstaw po zaawansowane tematy.
Wady:Praktyczne przykłady i jasne wyjaśnienia.
(na podstawie 10 opinii czytelników)
Python Deep Learning - Third Edition: Understand how deep neural networks work and apply them to real-world tasks
Opanuj skuteczną nawigację po sieciach neuronowych, w tym splotach i transformatach, aby poradzić sobie z wizją komputerową i zadaniami NLP przy użyciu Pythona
Kluczowe cechy:
⬤ Zrozumienie teorii, podstaw matematycznych i struktury głębokich sieci neuronowych.
⬤ Zapoznanie się z transformatorami, dużymi modelami językowymi i sieciami splotowymi.
⬤ Dowiedz się, jak zastosować je w różnych problemach związanych z widzeniem komputerowym i przetwarzaniem języka naturalnego Zakup książki w wersji drukowanej lub Kindle obejmuje bezpłatny eBook w formacie PDF.
Opis książki:
Dziedzina głębokiego uczenia rozwijała się szybko w ostatnich latach i obecnie obejmuje szeroki zakres zastosowań. To sprawia, że trudno się w niej poruszać i trudno ją zrozumieć bez solidnych podstaw. Ta książka poprowadzi Cię od podstaw sieci neuronowych do najnowocześniejszych dużych modeli językowych używanych obecnie.
Pierwsza część książki wprowadza główne koncepcje i paradygmaty uczenia maszynowego. Obejmuje podstawy matematyczne, strukturę i algorytmy uczenia sieci neuronowych oraz zagłębia się w istotę głębokiego uczenia.
Druga część książki wprowadza sieci konwolucyjne do wizji komputerowej. Dowiemy się, jak rozwiązywać zadania klasyfikacji obrazów, wykrywania obiektów, segmentacji instancji i generowania obrazów.
Trzecia część koncentruje się na mechanizmie uwagi i transformatorach - podstawowej architekturze sieci dużych modeli językowych. Omówimy nowe typy zaawansowanych zadań, które mogą one rozwiązywać, takie jak chat boty i generowanie tekstu na obraz.
Pod koniec tej książki będziesz miał dogłębne zrozumienie wewnętrznego działania głębokich sieci neuronowych. Będziesz w stanie opracowywać nowe modele lub dostosowywać istniejące do rozwiązywania zadań. Będziesz miał również wystarczającą wiedzę, aby kontynuować badania i być na bieżąco z najnowszymi osiągnięciami w tej dziedzinie.
Czego się nauczysz:
⬤ Poznasz teoretyczne podstawy głębokich sieci neuronowych.
⬤ Zrozumieć sieci splotowe i zastosować je w aplikacjach widzenia komputerowego.
⬤ Zostaniesz dobrze zaznajomiony z przetwarzaniem języka naturalnego i sieciami rekurencyjnymi.
⬤ Poznanie mechanizmu uwagi i transformatorów.
⬤ Zastosowanie transformatorów i dużych modeli językowych w języku naturalnym i wizji komputerowej.
⬤ Wdrożenie przykładów kodowania za pomocą PyTorch, Keras i Hugging Face Transformers.
⬤ Wykorzystanie MLOps do tworzenia i wdrażania modeli sieci neuronowych.
Dla kogo jest ta książka:
Ta książka jest przeznaczona dla programistów/inżynierów, studentów, analityków danych, inżynierów uczenia maszynowego, statystyków i wszystkich zainteresowanych uczeniem głębokim. Wcześniejsze doświadczenie z programowaniem w Pythonie jest warunkiem wstępnym.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)