Hodnotenie:
Kniha má zmiešané recenzie od čitateľov, mnohí chvália jej praktický prístup k nekontrolovanému učeniu, iní kritizujú jej hĺbku, technickú kvalitu a početné chyby. Považujú ju za dobrý východiskový bod pre začiatočníkov, ale chýba tým, ktorí hľadajú hlboké znalosti alebo pokročilé techniky.
Výhody:Praktický prístup s reálnymi aplikáciami.
Nevýhody:Dobrý pre začiatočníkov až stredne pokročilých, poskytuje jasné príklady kódu a vysvetlenia.
(na základe 34 čitateľských recenzií)
Mnohí odborníci z odvetvia považujú učenie bez dohľadu za ďalšiu hranicu v oblasti umelej inteligencie, ktorá môže byť kľúčom k všeobecnej umelej inteligencii. Keďže väčšina údajov na svete nie je označená, nemožno použiť konvenčné učenie pod dohľadom. Na druhej strane, učenie bez dozoru možno použiť na súbory neoznačených údajov s cieľom odhaliť zmysluplné vzory ukryté hlboko v údajoch, ktoré môže byť pre človeka takmer nemožné odhaliť.
Autor Ankur Patel vám ukáže, ako aplikovať učenie bez dohľadu pomocou dvoch jednoduchých, produkčne pripravených rámcov jazyka Python: Scikit-learn a TensorFlow pomocou Keras. Vďaka kódu a praktickým príkladom budú dátoví vedci identifikovať ťažko nájditeľné vzory v údajoch a získajú hlbší obchodný prehľad, odhalia anomálie, vykonajú automatické inžinierstvo a výber prvkov a vytvoria syntetické súbory údajov. Na to, aby ste mohli začať, potrebujete len programovanie a určité skúsenosti so strojovým učením.
⬤ Porovnajte silné a slabé stránky rôznych prístupov strojového učenia: učenie pod dohľadom, učenie bez dohľadu a posilňovanie.
⬤ Nastaviť a spravovať projekty strojového učenia od začiatku do konca.
⬤ Zostavte systém detekcie anomálií na zachytenie podvodov s kreditnými kartami.
⬤ Zoskupuje používateľov do samostatných a homogénnych skupín.
⬤ Vykonáva učenie s čiastočným dohľadom.
⬤ Vyvíjať systémy odporúčania filmov pomocou obmedzených Boltzmannových strojov.
⬤ Generovať syntetické obrazy pomocou generatívnych adverzných sietí.
