Hlboké učenie pre začiatočníkov: Príručka pre začiatočníkov, ako začať pracovať s hlbokým učením od nuly pomocou Pythonu

Recenzie čitateľov

Kniha „Deep Learning for Beginners“ od Dr. Pabla Rivasa je dobre prijatá ako komplexný úvodný text, ktorý čitateľov prevedie základnými konceptmi hlbokého učenia a praktickými implementáciami pomocou jazyka Python. Pokrýva širokú škálu tém v oblasti hlbokého učenia a je určená začiatočníkom, pričom poskytuje štruktúrovaný návod pre rôzne rámce strojového učenia.

⬤ Skvelý úvod do konceptov hlbokého učenia pre začiatočníkov.
⬤ Dobre organizované s postupnými prechodmi medzi témami.
⬤ Obsahuje praktické príklady kódovania a praktické aplikácie v rôznych oblastiach.
⬤ Využíva Google Colabs na zabezpečenie prístupnosti.
⬤ Pokrýva širokú škálu rámcov a architektúr neurónových sietí.

⬤ Hĺbka pokrytia nemusí uspokojiť pokročilých čitateľov, ktorí hľadajú hlbšie diskusie.
⬤ Niektorí čitatelia môžu považovať obsah za príliš základný, ak už majú predchádzajúce znalosti v tejto oblasti.

(na základe 3 čitateľských recenzií)

Pôvodný názov:

Deep Learning for Beginners: A beginner's guide to getting up and running with deep learning from scratch using Python

Obsah knihy:

Implementácia modelov hlbokého učenia (DL) s dohľadom, bez dohľadu a generatívneho učenia pomocou Keras a Dopamine nad TensorFlow.

Kľúčové vlastnosti

⬤ Pochopenie základných konceptov strojového učenia užitočných v hlbokom učení.

⬤ Učte sa základné matematické koncepty pri implementácii modelov hlbokého učenia od základov.

⬤ Preskúmajte ľahko pochopiteľné príklady a prípady použitia, ktoré vám pomôžu vybudovať si pevné základy v DL.

Popis knihy

S exponenciálnym nárastom informácií na webe je ťažšie ako kedykoľvek predtým orientovať sa vo všetkom a nájsť spoľahlivý obsah, ktorý vám pomôže začať s hlbokým učením. Táto kniha je navrhnutá tak, aby vám pomohla, ak ste začiatočník, ktorý sa chce venovať hlbokému učeniu a budovať modely hlbokého učenia od základov, a už máte základné matematické a programátorské znalosti potrebné na začatie práce.

Kniha sa začína základným prehľadom strojového učenia, ktorý vás prevedie nastavením populárnych rámcov Pythonu. Pochopíte tiež, ako pripraviť dáta čistením a predspracovaním pre hlboké učenie, a postupne prejdete k skúmaniu neurónových sietí. Špeciálna časť vám poskytne náhľad do fungovania neurónových sietí tým, že vám pomôže prakticky sa oboznámiť s trénovaním jednej a viacerých vrstiev neurónov. Neskôr sa budete zaoberať populárnymi architektúrami neurónových sietí, ako sú CNN, RNN, AE, VAE a GAN, pomocou jednoduchých príkladov a dokonca budete vytvárať modely od základov. Na konci každej kapitoly nájdete časť s otázkami a odpoveďami, ktoré vám pomôžu otestovať, čo ste sa v priebehu knihy naučili.

Na konci tejto knihy sa budete dobre orientovať v konceptoch hlbokého učenia a budete mať znalosti potrebné na používanie konkrétnych algoritmov s rôznymi nástrojmi na rôzne úlohy.

Čo sa naučíte

⬤ Zavádzať RNN a dlhodobú krátkodobú pamäť na úlohy klasifikácie obrázkov a spracovania prirodzeného jazyka.

⬤ Preskúmať úlohu CNN v počítačovom videní a spracovaní signálov.

⬤ Pochopiť etické dôsledky modelovania pomocou hlbokého učenia.

⬤ Poznáte matematickú terminológiu spojenú s hlbokým učením.

⬤ Kódovať GAN a VAE na generovanie obrázkov z naučeného latentného priestoru.

⬤ Zaviesť vizualizačné techniky na porovnanie AE a VAE.

Pre koho je táto kniha určená

Táto kniha je určená začínajúcim dátovým vedcom a inžinierom hlbokého učenia, ktorí chcú začať so základmi hlbokého učenia a neurónových sietí. Hoci sa nevyžadujú žiadne predchádzajúce znalosti hlbokého učenia alebo strojového učenia, na začiatok je potrebná znalosť lineárnej algebry a programovania v jazyku Python.