Értékelés:
A könyv gyakorlatias és közérthető bevezetést nyújt a TensorFlow-val történő gépi tanulásba, a hangsúlyt a kódolásra és a valós alkalmazásokra helyezve. Bár a világos magyarázatok és a gyakorlati példák miatt dicsérik, egyes olvasók szerint nem elég mély az elméleti fogalmakban, és nem alkalmas abszolút kezdők számára.
Előnyök:Gyakorlatias, gyakorlatias megközelítés hasznos kódolási példákkal.
Hátrányok:Világos, a programozók számára is megfelelő magyarázatok, túlzó matematikai részletesség nélkül.
(34 olvasói vélemény alapján)
AI and Machine Learning for Coders: A Programmer's Guide to Artificial Intelligence
Ha programozóból AI-specialistává szeretnél válni, ez az ideális hely, ahol elkezdheted a karriered. Laurence Moroney rendkívül sikeres mesterséges intelligencia kurzusai alapján ez a bevezető könyv gyakorlatias, kódalapú megközelítést kínál, amely segít önbizalmat szerezni a kulcsfontosságú témák elsajátítása közben.
Megérti, hogyan kell megvalósítani a gépi tanulás leggyakoribb forgatókönyveit, például a számítógépes látást, a természetes nyelvfeldolgozást (NLP) és a szekvencia-modellezést webes, mobil, felhőalapú és beágyazott futási időkben. A legtöbb gépi tanulásról szóló könyv ijesztő mennyiségű haladó matematikával kezdődik. Ez az útmutató gyakorlatias leckékre épül, amelyek segítségével közvetlenül a kóddal dolgozhat.
Megtanulhatod:
⬤ Hogyan építsen modelleket a TensorFlow-val a munkáltatók által kívánt készségek felhasználásával.
⬤ A gépi tanulás alapjait kódmintákkal dolgozva.
⬤ Hogyan valósítsuk meg a számítógépes látást, beleértve a képeken lévő jellemzők felismerését.
⬤ Hogyan használja az NLP-t tokenizálni és szavakat és mondatokat szekvenálni.
⬤ Módszerek a modellek Android és iOS rendszerbe való beágyazásához.
⬤ Hogyan szolgáljuk ki a modelleket a weben és a felhőben a TensorFlow Serving segítségével.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)