Értékelés:
A könyv értékes forrásként szolgál mind a feltörekvő, mind a tapasztalt adattudósok számára, akik szeretnék megérteni és megvalósítani az AI-t, különösen a mélytanulást. Van azonban egy aggasztó probléma a szerzői jogok megsértésével, amely néhány olvasót érintett.
Előnyök:Jól megírt és informatív, a mélytanulás alapjainak, eszközeinek és keretrendszereinek átfogó lefedettségével. Gyakorlati kódolási példákat tartalmaz, és kitér az olyan releváns AI-témákra, mint a Big Data és az olyan újonnan megjelenő technikák, mint a transzfer tanulás és a kapszulahálózatok.
Hátrányok:A könyvben van néhány nyelvtani hiba, amelyek megzavarhatják az olvasás élményét. Emellett vannak szerzői jogi jogsértéssel kapcsolatos problémák, amelyek néhány felhasználót érintettek, és frusztrációt okoztak a hangoskönyvek elvesztett lehetőségei miatt.
(2 olvasói vélemény alapján)
AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond
Sajátítsa el a mesterséges intelligencia (AI) algoritmusok megközelítéseit és elveit, és alkalmazza azokat az adattudományi projektekben Python és Julia kóddal.
A törekvő és gyakorló adattudományi és AI szakemberek, valamint a Python és Julia programozók számos AI-algoritmust gyakorolnak, és holisztikusabb megértést alakítanak ki az AI területéről, valamint megtanulják, hogy az egyes keretrendszereket mikor kell használni az egyre összetettebbé váló világunkban a projektek megoldásához.
Az első két fejezet bemutatja a területet: az 1. fejezet a Deep Learning modelleket tekinti át, a 2. fejezet pedig áttekintést nyújt a Deep Learningen túli algoritmusokról, beleértve az optimalizálást, a fuzzy logikát és a mesterséges kreativitást.
A következő fejezetek a mesterséges intelligencia keretrendszerekre összpontosítanak; ezek adatokat, valamint Python és Julia kódot tartalmaznak egy mellékelt Dockerben, így gyakorolhat. A 3. fejezet az Apache MXNet-et, a 4. fejezet a TensorFlow-t, az 5. fejezet pedig a Keras-t vizsgálja. Miután ezeket a mélytanulási keretrendszereket lefedtük, egy sor optimalizálási keretrendszert vizsgálunk meg: a 6. fejezet a részecske raj optimalizációt (Particle Swarm Optimization, PSO), a 7. fejezet a genetikai algoritmusokat (Genetic Algorithms, GA), a 8. fejezet pedig a szimulált annealizációt (Simulated Annealing, SA) tárgyalja.
A 9. fejezetben a fejlett mesterséges intelligencia-módszereket vizsgáljuk meg, a konvolúciós neurális hálózatokkal (CNN) és a rekurrens neurális hálózatokkal (RNN). A 10. fejezet az optimalizációs együtteseket tárgyalja, és azt, hogy ezek hogyan adhatnak hozzáadott értéket az adattudományi csővezetékhez.
A 11. fejezet számos alternatív AI-keretet tartalmaz, köztük az extrém tanulógépeket (ELM), a kapszulahálózatokat (CapsNets) és a fuzzy következtetési rendszereket (Fuzzy Inference Systems, FIS).
A 12. fejezet a tárgyalt AI-témákat kiegészítő egyéb megfontolásokkal foglalkozik, beleértve a Big Data fogalmakat, az adattudományi szakterületeket és a kísérletezéshez hasznos adatforrásokat.
A könyv átfogó szójegyzéket, valamint egy sor mellékletet tartalmaz, amelyek a transzfer tanulást, a megerősítő tanulást, az automatikus kódoló rendszereket és a generatív adverzális hálózatokat tárgyalják. Van továbbá egy függelék a mesterséges intelligencia üzleti szempontjairól az adattudományi projektekben, valamint egy függelék arról, hogyan használjuk a Docker-képet a könyv adatainak és kódjának eléréséhez.
A mesterséges intelligencia területe hatalmas, és a kezdők számára túlterhelő lehet a megközelítés. Ez a könyv felruházza Önt a terület szilárd ismereteivel, valamint további felfedezésekre ösztönzi.
