Ocena:
Recenzje podkreślają, że „Advanced Deep Learning with Keras” jest doskonałym źródłem do zrozumienia i praktycznego zastosowania technik głębokiego uczenia. Książka wyróżnia się kompleksowym omówieniem takich tematów jak Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) i Reinforcement Learning, dostarczając praktycznych przykładów i implementacji kodu przy użyciu Keras. Niektórzy użytkownicy zgłaszali jednak problemy techniczne z wersją Kindle, doświadczając zawieszeń i awarii.
Zalety:⬤ Kompleksowe omówienie zaawansowanych tematów głębokiego uczenia, w tym GAN, VAE i uczenia ze wzmocnieniem.
⬤ Dobra równowaga między praktycznymi zastosowaniami, matematyką i wyjaśnieniami.
⬤ Dobrze napisana i łatwa do zrozumienia zarówno dla początkujących, jak i doświadczonych programistów.
⬤ Zawiera przejrzyste przykłady kodu i praktyczne wskazówki dotyczące korzystania z Keras.
⬤ Gorąco polecana przez czytelników do tworzenia aplikacji w głębokim uczeniu się.
⬤ Problemy techniczne zgłaszane w wersji na Kindle, w tym zawieszanie się i zawieszanie.
⬤ Niektórzy użytkownicy mogą uznać zaawansowane tematy za trudne bez wcześniejszej wiedzy.
(na podstawie 8 opinii czytelników)
Advanced Deep Learning with Keras
Uwaga wydawcy: To wydanie z 2018 r. jest nieaktualne i nie jest kompatybilne z TensorFlow 2 ani żadną z najnowszych aktualizacji bibliotek Pythona. Opublikowano nowe, drugie wydanie, zaktualizowane na 2020 r. i zawierające TensorFlow 2 oraz omówienie nienadzorowanego uczenia się z wykorzystaniem wzajemnej informacji, wykrywania obiektów i segmentacji semantycznej.
Kompleksowy przewodnik po zaawansowanych technikach głębokiego uczenia, w tym autoenkoderach, GAN, VAE i głębokim uczeniu wzmacniającym, które napędzają dzisiejsze najbardziej imponujące wyniki sztucznej inteligencji.
Główne cechy
⬤ Poznaj najbardziej zaawansowane techniki głębokiego uczenia, które napędzają współczesne wyniki AI.
⬤ Wdrożenie głębokich sieci neuronowych, autoenkoderów, GAN, VAE i głębokiego uczenia ze wzmocnieniem.
⬤ Szerokie studium sieci GAN, w tym ulepszone sieci GAN, sieci GAN między domenami i sieci GAN o rozproszonej reprezentacji.
Opis książki:
Najnowsze osiągnięcia w dziedzinie głębokiego uczenia się, w tym generatywne sieci adwersarzy (GAN), wariacyjne autoenkodery (VAE) i głębokie uczenie się ze wzmocnieniem (DRL), tworzą imponujące wyniki sztucznej inteligencji w naszych nagłówkach wiadomości - takie jak AlphaGo Zero pokonujące światowych mistrzów szachowych i generatywna sztuczna inteligencja, która może tworzyć obrazy sztuki, które sprzedają się za ponad 400 tysięcy dolarów, ponieważ są tak podobne do ludzkich.
Advanced Deep Learning with Keras to kompleksowy przewodnik po zaawansowanych technikach głębokiego uczenia, dzięki któremu możesz stworzyć własną, najnowocześniejszą sztuczną inteligencję. Wykorzystując Keras jako bibliotekę głębokiego uczenia o otwartym kodzie źródłowym, znajdziesz praktyczne projekty, które pokażą ci, jak tworzyć bardziej efektywną sztuczną inteligencję przy użyciu najnowszych technik.
Podróż rozpoczyna się od przeglądu MLP, CNN i RNN, które są podstawą bardziej zaawansowanych technik opisanych w książce. Dowiesz się, jak zaimplementować modele głębokiego uczenia się za pomocą Keras i TensorFlow 1.x, a następnie przejdziesz do zaawansowanych technik, badając architektury głębokich sieci neuronowych, w tym ResNet i DenseNet, oraz jak tworzyć autoenkodery. Następnie dowiesz się wszystkiego o sieciach GAN i o tym, jak mogą one otworzyć nowe poziomy wydajności sztucznej inteligencji. Następnie zapoznasz się ze sposobem implementacji VAE i zobaczysz, w jaki sposób GAN i VAE mają generatywną moc syntetyzowania danych, które mogą być niezwykle przekonujące dla ludzi - to duży krok naprzód dla nowoczesnej sztucznej inteligencji. Aby uzupełnić ten zestaw zaawansowanych technik, dowiesz się, jak wdrożyć DRL, takie jak Deep Q-Learning i Policy Gradient Methods, które mają kluczowe znaczenie dla wielu nowoczesnych wyników w sztucznej inteligencji.
Czego się nauczysz:
⬤ Najnowocześniejsze techniki w zakresie wydajności sztucznej inteligencji zbliżonej do ludzkiej.
⬤ Implementacja zaawansowanych modeli głębokiego uczenia przy użyciu Keras.
⬤ Elementy składowe zaawansowanych technik - MLP, CNN i RNN.
⬤ Głębokie sieci neuronowe - ResNet i DenseNet.
⬤ Autoencoders i Variational Autoencoders (VAEs)
⬤ Generatywne sieci adwersarzy (GAN) i kreatywne techniki sztucznej inteligencji.
⬤ Sieci GAN o rozproszonej reprezentacji i sieci GAN działające w różnych domenach.
⬤ Metody uczenia ze wzmocnieniem i ich implementacja.
⬤ Tworzenie standardowych aplikacji przy użyciu OpenAI Gym.
⬤ Głębokie metody Q-Learning i Policy Gradient.
Dla kogo jest ta książka:
Zakłada się pewną biegłość w Pythonie. Jako zaawansowana książka, będziesz zaznajomiony z niektórymi podejściami do uczenia maszynowego, a niektóre praktyczne doświadczenia z DL będą pomocne. Znajomość Keras lub TensorFlow 1.x nie jest wymagana, ale będzie pomocna.
