Hodnotenie:
Kniha je určená pokročilým odborníkom v oblasti umelej inteligencie a hlbokého učenia a poskytuje dôkladný úvod do architektúr neurónových sietí, ako sú MLP, CNN a RNN. Ponúka praktické príklady a stručný kód, ale predpokladá solídne základné znalosti umelej inteligencie.
Výhody:⬤ Komplexné pokrytie kľúčových typov neurónových sietí (MLP, CNN, RNN) s praktickými aplikáciami.
⬤ Jasný úvod do Keras prostredníctvom TensorFlow na vytváranie modelov.
⬤ Významné aktualizácie v novom vydaní, ktoré pridávajú viac ako 40 % nového obsahu.
⬤ Vhodné pre pokročilých praktikov aj pre tých, ktorí sa nachádzajú medzi začiatočníckou a expertnou úrovňou.
⬤ Zjednodušené vysvetlenia pokročilých konceptov, ako sú GAN, autoenkodéry a posilňovanie učenia.
⬤ Autoritatívny a dobre štruktúrovaný materiál.
⬤ Predpokladá, že čitateľ má silné základné znalosti o umelej inteligencii a hlbokom učení, čo môže byť prekážkou pre začiatočníkov.
⬤ Veľká závislosť od používania GPU, ktoré nie je uvedené v opise knihy.
⬤ Obmedzené pokrytie mimo počítačového videnia, chýbajú najmä témy NLP.
⬤ Niektorí používatelia hlásili technické problémy so spúšťaním kódu (napr. problémy s certifikátom SSL), ktoré bránili učeniu.
⬤ Niektoré vysvetlenia nemajú dostatočnú hĺbku a súdržnosť, čo si vyžaduje ďalšie zdroje.
(na základe 11 čitateľských recenzií)
Advanced Deep Learning with TensorFlow 2 and Keras - Second Edition
Aktualizované a prepracované druhé vydanie najpredávanejšieho sprievodcu pokročilým hlbokým učením s TensorFlow 2 a Kerasom Kľúčové vlastnosti Preskúmajte najpokročilejšie techniky hlbokého učenia, ktoré vedú k moderným výsledkom umelej inteligencie Nové pokrytie nekontrolovaného hlbokého učenia pomocou vzájomnej informácie, detekcie objektov a sémantickej segmentácie Úplne aktualizované pre TensorFlow 2. x Popis knihy
Advanced Deep Learning with TensorFlow 2 and Keras, Second Edition je kompletne aktualizované vydanie najpredávanejšieho sprievodcu pokročilými technikami hlbokého učenia, ktoré sú dnes k dispozícii. Toto vydanie, revidované pre TensorFlow 2. x, vás oboznámi s praktickou stránkou hlbokého učenia s novými kapitolami o nekontrolovanom učení pomocou vzájomnej informácie, detekcii objektov (SSD) a sémantickej segmentácii (FCN a PSPNet), čo vám ďalej umožní vytvárať vlastné špičkové projekty umelej inteligencie.
Kniha využíva Keras ako open-source knižnicu hlbokého učenia a obsahuje praktické projekty, ktoré vám ukážu, ako vytvoriť efektívnejšiu AI pomocou najmodernejších techník.
Kniha začína prehľadom viacvrstvových perceptrónov (MLP), konvolučných neurónových sietí (CNN) a rekurentných neurónových sietí (RNN), potom predstavuje ďalšie špičkové techniky a skúma architektúry hlbokých neurónových sietí vrátane ResNet a DenseNet a spôsob vytvárania autoenkodérov. Potom sa dozviete o sieťach GAN a o tom, ako môžu odomknúť nové úrovne výkonu umelej inteligencie.
Ďalej zistíte, ako sa implementuje variačný autoenkodér (VAE) a ako majú GAN a VAE generatívnu silu na syntézu údajov, ktoré môžu byť pre človeka mimoriadne presvedčivé. Naučíte sa tiež implementovať DRL, ako sú Deep Q-Learning a Policy Gradient Methods, ktoré sú rozhodujúce pre mnohé moderné výsledky v umelej inteligencii. Čo sa naučíte Používať techniky maximalizácie vzájomnej informácie na vykonávanie nekontrolovaného učenia Používať segmentáciu na identifikáciu triedy každého objektu v obraze podľa pixelov Identifikovať ohraničujúci box aj triedu objektov v obraze pomocou detekcie objektov Naučiť sa stavebné kamene pre pokročilé techniky - MLPss, CNN a RNN Pochopiť hlboké neurónové siete - vrátane ResNet a DenseNet Pochopiť a vytvoriť autoregresívne modely - autoenkodéry, VAE a GAN Objaviť a implementovať metódy hlbokého posilňovania učenia Komu je táto kniha určená
Nejde o úvodnú knihu, takže sa vyžaduje znalosť jazyka Python. Čitateľ by mal poznať aj niektoré prístupy strojového učenia a užitočné budú aj praktické skúsenosti s DL. Znalosť Keras alebo TensorFlow 2. 0 sa nevyžaduje, ale odporúča sa. Obsah Predstavenie pokročilého hlbokého učenia s Kerasom Hlboké neurónové siete Autoenkodéry Generatívne adverzné siete (GAN) Vylepšené GAN Disentangled Representation GAN Cross-Domain GAN Variačné autoenkodéry (VAE) Deep Reinforcement Learning Policy Gradient Methods Detekcia objektov Sémantická segmentácia Unsupervised Learning Using Mutual Information
