Hodnotenie:
Kniha je všeobecne dobre prijímaná pre svoj praktický prístup k hlbokému učeniu, najmä pre programátorov v jazyku Java. Pokrýva široké spektrum tém súvisiacich s hlbokým učením a rámcom DL4J, vďaka čomu je prístupná aj pre odborníkov z praxe. Bola však kritizovaná za nedostatočnú hĺbku teoretických vysvetlení a problémy s prehľadnosťou kódu. Niektorí čitatelia tiež vyjadrili obavy zo zamerania na Javu a niekoľkých redakčných nedopatrení.
Výhody:⬤ Vynikajúci praktický prístup na aplikáciu hlbokého učenia v reálnych projektoch.
⬤ Poskytuje jasný koncepčný prehľad architektúr hlbokého učenia.
⬤ Ľahko pochopiteľný aj pre tých, ktorí nemajú silné matematické zázemie.
⬤ Obsahuje cenné poznatky o používaní rámca DL4J a jeho aplikácií.
⬤ Užitočný na získanie teoretických aj aplikačných poznatkov, ak sa spája s teoretickejšími textami.
⬤ Chýba hĺbka teoretických vysvetlení, čo môže byť pre začiatočníkov mätúce.
⬤ Príklady kódu sú výlučne v jazyku Java, čo obmedzuje prístupnosť pre vývojárov v jazyku Python.
⬤ Niektorí čitatelia našli prvé preklepy a chyby, čo vyvoláva obavy o kvalitu úpravy.
⬤ Preskakovanie medzi základnými a pokročilými konceptmi môže čitateľom spôsobiť stratu.
⬤ Niektorí recenzenti mali pocit, že obsah je príliš plytký a je skôr opakovaním online materiálov.
(na základe 38 čitateľských recenzií)
Deep Learning: A Practitioner's Approach
Hoci záujem o strojové učenie dosiahol vysoký bod, prehnané očakávania často zmaria projekty skôr, ako sa dostanú veľmi ďaleko. Ako môže strojové učenie - najmä hlboké neurónové siete - priniesť skutočnú zmenu do vašej organizácie? Táto praktická príručka poskytuje nielen najpraktickejšie dostupné informácie o tejto téme, ale pomôže vám aj začať budovať efektívne siete hlbokého učenia.
Autori Adam Gibson a Josh Patterson poskytujú teóriu o hlbokom učení predtým, ako predstavia svoju open-source knižnicu Deeplearning4j (DL4J) na vývoj pracovných postupov produkčnej triedy. Prostredníctvom reálnych príkladov sa naučíte metódy a stratégie na trénovanie architektúr hlbokých sietí a spúšťanie pracovných postupov hlbokého učenia na Sparku a Hadoope s DL4J.
⬤ Ponorte sa do konceptov strojového učenia vo všeobecnosti, ako aj do hlbokého učenia zvlášť.
⬤ Pochopíte, ako sa hlboké siete vyvinuli zo základov neurónových sietí.
⬤ Preskúmajte hlavné architektúry hlbokých sietí vrátane konvolučných a rekurentných.
⬤ Učte sa, ako mapovať konkrétne hlboké siete na správny problém.
⬤ Prejdite základy ladenia všeobecných neurónových sietí a špecifických architektúr hlbokých sietí.
⬤ Používajte techniky vektorizácie pre rôzne typy údajov pomocou DataVec, nástroja DL4J pre pracovné postupy.
⬤ Učte sa, ako používať DL4J natívne na Sparku a Hadoope.
