Recenzie čitateľov
Zhrnutie:Recenzie chvália knihu za jasné vysvetlenie koncepcií generatívneho hlbokého učenia a dobre štruktúrovaný obsah, ktorý vyvažuje teóriu s praktickými aplikáciami. Čitatelia vyzdvihujú hĺbku poskytovaných informácií o rôznych generatívnych modeloch a autorov pútavý štýl písania. Objavujú sa však pozoruhodné kritické pripomienky týkajúce sa kvality príkladov kódu vo vydaní pre Kindle a niektorých problémov so spúšťaním ukážok.
Výhody:⬤ Vynikajúca štruktúra a jednoduché sledovanie.
⬤ Jasné vysvetlenie zložitých konceptov.
⬤ Dobrá rovnováha medzi teóriou a praktickými príkladmi.
⬤ Komplexné pokrytie generatívnych modelov.
⬤ Pútavý a vtipný štýl písania.
⬤ Množstvo dobre zdokumentovaných príkladov funkčného kódu.
Nevýhody:⬤ Slabá kvalita matematických rovníc a zápisov vo vydaní pre Kindle.
⬤ Niektoré príklady kódu sa ťažko spúšťajú kvôli problémom s kompatibilitou a zastaraným knižniciam.
⬤ Niekoľko recenzentov si všimlo, že výsledky tréningu modelov nezodpovedajú očakávaným výsledkom.
⬤ Chýba časť o hodnotení kvality vygenerovaných výstupov.
(na základe 24 čitateľských recenzií)
Pôvodný názov:
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
Obsah knihy:
Generatívne modelovanie je jednou z najhorúcejších tém v oblasti umelej inteligencie. V súčasnosti je možné naučiť stroj, aby vynikal v ľudských činnostiach, ako je maľovanie, písanie a skladanie hudby. Vďaka tejto praktickej knihe inžinieri strojového učenia a dátoví vedci zistia, ako znovu vytvoriť niektoré z najpôsobivejších príkladov generatívnych modelov hlbokého učenia, ako sú variačné autoenkodéry, generatívne adverzné siete (GAN), transformátory, normalizačné toky a difúzne modely.
Autor David Foster demonštruje vnútorné fungovanie jednotlivých techník, pričom začína od základov hlbokého učenia a potom postupuje k niektorým z najmodernejších algoritmov v tejto oblasti. Prostredníctvom tipov a trikov pochopíte, ako dosiahnuť, aby sa vaše modely učili efektívnejšie a boli kreatívnejšie.
⬤ Objavte, ako môžu variačné autoenkodéry meniť výrazy tváre na fotografiách.
⬤ Vytvorte si od základov praktické príklady GAN na generovanie obrázkov na základe vlastného súboru údajov.
⬤ Vytvárajte autoregresívne generatívne modely, napríklad LSTM na generovanie textu a modely PixelCNN na generovanie obrázkov.
⬤ Vytvárajte modely na generovanie hudby pomocou Transformers a MuseGAN.
⬤ Preskúmajte vnútorné fungovanie najmodernejších architektúr, ako sú StyleGAN, VQ-VAE, BERT a GPT-3.
⬤ Ponorte sa do súčasných praktických aplikácií generatívnych modelov, ako je prenos štýlu (CycleGAN, neurálny prenos štýlu) a multimodálne modely (CLIP a DALL. E 2) na generovanie textu na obraz.
⬤ Pochopte, ako môžu generatívne modely pomôcť agentom plniť úlohy v rámci posilňovania učenia.
⬤ Pochopiť, ako sa môže vyvíjať budúcnosť generatívneho modelovania vrátane toho, ako sa budú musieť podniky prispôsobiť, aby využili výhody nových technológií.
