Ocena:
Książka jest skierowana do zaawansowanych praktyków sztucznej inteligencji i głębokiego uczenia, zapewniając dokładne wprowadzenie do architektur sieci neuronowych, takich jak MLP, CNN i RNN. Oferuje praktyczne przykłady i zwięzły kod, ale zakłada solidną podstawową wiedzę na temat sztucznej inteligencji.
Zalety:⬤ Kompleksowe omówienie kluczowych typów sieci neuronowych (MLP, CNN, RNN) wraz z praktycznymi zastosowaniami.
⬤ Przejrzyste wprowadzenie do Keras poprzez TensorFlow do budowania modeli.
⬤ Znaczące aktualizacje w nowym wydaniu, dodające ponad 40% nowych treści.
⬤ Dobra zarówno dla zaawansowanych praktyków, jak i tych pomiędzy poziomem początkującym a eksperckim.
⬤ Uproszczone wyjaśnienia zaawansowanych pojęć, takich jak GAN, autoenkodery i uczenie ze wzmocnieniem.
⬤ Autorytatywny i dobrze zorganizowany materiał.
⬤ Zakłada, że czytelnik posiada solidną wiedzę na temat sztucznej inteligencji i głębokiego uczenia się, co może stanowić barierę dla początkujących.
⬤ Duży nacisk na wykorzystanie GPU, o którym nie wspomniano w opisie książki.
⬤ Ograniczony zasięg poza wizją komputerową, szczególnie brak tematów NLP.
⬤ Niektórzy użytkownicy zgłaszali problemy techniczne z wykonywaniem kodu (np. problemy z certyfikatem SSL), które utrudniały naukę.
⬤ Niektórym wyjaśnieniom brakuje głębi i spójności, co wymaga dodatkowych zasobów.
(na podstawie 11 opinii czytelników)
Advanced Deep Learning with TensorFlow 2 and Keras - Second Edition
Zaktualizowane i poprawione drugie wydanie bestsellerowego przewodnika po zaawansowanym uczeniu głębokim z TensorFlow 2 i Keras Kluczowe cechy Poznaj najbardziej zaawansowane techniki uczenia głębokiego, które napędzają wyniki nowoczesnej sztucznej inteligencji Nowe omówienie nienadzorowanego uczenia głębokiego z wykorzystaniem wzajemnych informacji, wykrywania obiektów i segmentacji semantycznej Całkowicie zaktualizowany dla TensorFlow 2. x Opis książki
Advanced Deep Learning with TensorFlow 2 and Keras, Second Edition to w pełni zaktualizowane wydanie bestsellerowego przewodnika po zaawansowanych technikach głębokiego uczenia. Zaktualizowane pod kątem TensorFlow 2.x, to wydanie wprowadza cię w praktyczną stronę głębokiego uczenia się z nowymi rozdziałami na temat nienadzorowanego uczenia się przy użyciu wzajemnej informacji, wykrywania obiektów (SSD) i segmentacji semantycznej (FCN i PSPNet), co dodatkowo pozwala ci tworzyć własne nowatorskie projekty AI.
Wykorzystując Keras jako bibliotekę głębokiego uczenia typu open-source, książka zawiera praktyczne projekty, które pokazują, jak tworzyć bardziej efektywną sztuczną inteligencję przy użyciu najnowocześniejszych technik.
Zaczynając od przeglądu wielowarstwowych perceptronów (MLP), konwolucyjnych sieci neuronowych (CNN) i rekurencyjnych sieci neuronowych (RNN), książka wprowadza bardziej nowatorskie techniki, badając architektury głębokich sieci neuronowych, w tym ResNet i DenseNet, oraz sposoby tworzenia autoenkoderów. Następnie dowiesz się o sieciach GAN i o tym, jak mogą one odblokować nowe poziomy wydajności sztucznej inteligencji.
Następnie dowiesz się, w jaki sposób implementowany jest autoenkoder wariacyjny (VAE) oraz w jaki sposób sieci GAN i VAE mają moc generatywną do syntetyzowania danych, które mogą być niezwykle przekonujące dla ludzi. Nauczysz się również implementować metody DRL, takie jak Deep Q-Learning i Policy Gradient Methods, które mają kluczowe znaczenie dla wielu nowoczesnych wyników w sztucznej inteligencji. Czego się nauczysz Wykorzystaj techniki maksymalizacji informacji wzajemnej do przeprowadzenia nienadzorowanego uczenia się Użyj segmentacji, aby zidentyfikować klasę pikseli każdego obiektu na obrazie Zidentyfikuj zarówno obwiednię, jak i klasę obiektów na obrazie za pomocą wykrywania obiektów Poznaj elementy składowe zaawansowanych technik - MLPss, CNN i RNN Zrozum głębokie sieci neuronowe - w tym ResNet i DenseNet Zrozum i zbuduj modele autoregresyjne - autoenkodery, VAE i GAN Odkryj i zaimplementuj metody głębokiego uczenia się ze wzmocnieniem Dla kogo jest ta książka?
Nie jest to książka wprowadzająca, więc wymagana jest biegła znajomość języka Python. Czytelnik powinien być również zaznajomiony z niektórymi podejściami do uczenia maszynowego, a praktyczne doświadczenie z DL będzie również pomocne. Znajomość Keras lub TensorFlow 2.0 nie jest wymagana, ale jest zalecana. Spis treści Wprowadzenie do zaawansowanego uczenia głębokiego z wykorzystaniem Keras Głębokie sieci neuronowe Autoenkodery Generatywne sieci adwersarskie (GAN) Ulepszone GAN Rozdzielone reprezentacje GAN Sieci GAN między domenami Wariacyjne autoenkodery (VAE) Głębokie uczenie ze wzmocnieniem Metody gradientowe Wykrywanie obiektów Segmentacja semantyczna Uczenie nienadzorowane z wykorzystaniem informacji wzajemnej
