Hodnotenie:
Kniha poskytuje praktický úvod do hlbokého učenia s praktickými projektmi a jasnými pokynmi, ale trpí preklepmi a nedostatkom úvodného materiálu, čo môže zmiasť čitateľov, najmä tých, ktorí sú v tejto oblasti noví.
Výhody:Skvelý praktický úvod, veľa projektov, jasné pokyny krok za krokom a dobré príklady. Vrelo odporúčam pre nadšencov hlbokého učenia a jazyka Python.
Nevýhody:Početné preklepy sťažujú čítanie a nedostatok úvodných kapitol a jasných pokynov na inštaláciu môže byť pre začiatočníkov mätúci.
(na základe 4 čitateľských recenzií)
Applied Deep Learning with Python
Praktický sprievodca hlbokým učením, ktorý je plný intuitívnych vysvetlení a pútavých praktických príkladov Kľúčové vlastnosti Navrhnutý tak, aby iteratívne rozvíjal zručnosti používateľov Pythonu, ktorí nemajú zázemie v oblasti dátovej vedy Pokrýva kľúčové základné koncepty, ktoré budete potrebovať pri budovaní systémov hlbokého učenia Plný cvičení a aktivít krok za krokom, ktoré vám pomôžu vybudovať zručnosti potrebné pre reálny svet Popis knihy
Prístup, ktorý využíva najnovší vývoj v ekosystéme Pythonu, vás najprv prevedie ekosystémom Jupyter, kľúčovými vizualizačnými knižnicami a výkonnými technikami sanitizácie dát, než si natrénujeme náš prvý prediktívny model. Preskúmame rôzne prístupy ku klasifikácii, ako sú siete podporných vektorov, náhodné rozhodovacie lesy a k-najbližší susedia, aby sme vybudovali vaše znalosti predtým, ako prejdeme na zložitejšie územie. Nevadí, ak sa vám tieto pojmy zdajú ohromujúce; ukážeme vám, ako ich využiť v praxi.
Na základe našej klasifikácie sa pozrieme na etické škrabanie webových stránok a interaktívne vizualizácie, ktoré vám pomôžu profesionálne zhromažďovať a prezentovať vaše analýzy. Až potom začneme budovať našu kľúčovú aplikáciu hlbokého učenia, ktorej cieľom je predpovedať budúcu cenu Bitcoinu na základe historických verejných údajov.
Prevedieme vás natrénovanou neurónovou sieťou, preskúmame bežné architektúry sietí hlbokého učenia (konvolučné, rekurentné, generatívne adverzné) a prejdeme na hlboké posilňovacie učenie predtým, ako sa ponoríme do optimalizácie a hodnotenia modelu. Toto všetko budeme robiť počas práce na webovej aplikácii pripravenej na produkciu, ktorá kombinuje Tensorflow a Keras na vytvorenie zmysluplného používateľsky prívetivého výsledku, a zanecháme vám všetky zručnosti, ktoré potrebujete na to, aby ste mohli sebavedomo a efektívne riešiť a rozvíjať svoje vlastné projekty hlbokého učenia v reálnom svete. Čo sa naučíte Zistite, ako môžete zostaviť a vyčistiť svoje vlastné súbory údajov Vypracujte si na mieru šitú stratégiu klasifikácie strojového učenia Zostavte, vytrénujte a vylepšite svoje vlastné modely na riešenie jedinečných problémov Pracujte s frameworkmi pripravenými na produkciu, ako sú Tensorflow a Keras Vysvetlite, ako fungujú neurónové siete jasným a jednoduchým spôsobom Pochopte, ako nasadiť svoje predpovede na web Pre koho je táto kniha určená
Ak ste programátor v jazyku Python a vstupujete do sveta dátovej vedy, toto je ideálny spôsob, ako začať. Obsah Základy Jupyteru Čistenie údajov a pokročilé strojové učenie Škrabanie na webe a interaktívne vizualizácie Úvod do neurónových sietí a hlbokého učenia Architektúra modelu Vyhodnotenie modelu Produktivita
