Alkalmazott mélytanulás Pythonnal

Olvasói vélemények

A könyv gyakorlatias bevezetést nyújt a mélytanulásba gyakorlati projektekkel és világos útmutatással, de szenved a gépelési hibáktól és a bevezető anyag hiányától, ami összezavarhatja az olvasókat, különösen azokat, akik újak a területen.

Nagyszerű gyakorlati bevezetés, sok projekt, világos lépésről-lépésre történő útmutatás és jó példák. Kifejezetten ajánlott a Deep Learning és a Python szerelmeseinek.

Számos elgépelés nehezíti az olvasást, a bevezető fejezetek és az egyértelmű telepítési utasítások hiánya pedig a kezdők számára zavaró lehet.

(4 olvasói vélemény alapján)

Eredeti címe:

Applied Deep Learning with Python

Könyv tartalma:

A mélytanulás gyakorlati útmutatója, amely tele van intuitív magyarázatokkal és magával ragadó gyakorlati példákkal Főbb jellemzők Olyan Python-felhasználók készségeinek iteratív fejlesztésére tervezték, akik nem rendelkeznek adattudományi háttérrel Foglalkozik a legfontosabb alapfogalmakkal, amelyeket ismernie kell a mélytanulási rendszerek építésénél Tele van lépésről lépésre történő gyakorlatokkal és tevékenységekkel, amelyek segítenek a valós világban szükséges készségek kiépítésében Könyv leírása

A Python ökoszisztéma legújabb fejlesztéseit felhasználó megközelítésben először a Jupyter ökoszisztémán, a legfontosabb vizualizációs könyvtárakon és a hatékony adatszanálási technikákon keresztül vezetjük végig, mielőtt betanítanánk az első prediktív modellünket. Az osztályozás különböző megközelítéseit, például a támogató vektorhálózatokat, a véletlenszerű döntési erdőket és a k-közelebbi szomszédokat fogjuk felfedezni, hogy kiépítsük a megértését, mielőtt a bonyolultabb területre lépnénk. Semmi baj, ha ezek a kifejezések nyomasztónak tűnnek; megmutatjuk, hogyan alkalmazza őket.

Az osztályozási lefedettségünkre építve egy gyors pillantást vetünk az etikus webkaparásra és az interaktív vizualizációkra, hogy segítsük az elemzés professzionális összegyűjtését és bemutatását. Ezt követően kezdjük el felépíteni a kulcsfontosságú mélytanulási alkalmazásunkat, amely a Bitcoin jövőbeli árát hivatott megjósolni a nyilvános múltbeli adatok alapján.

Egy betanított neurális hálózaton keresztül vezetve felfedezzük a gyakori mélytanulási hálózati architektúrákat (konvolúciós, rekurrens, generatív ellentmondásos), és elágazunk a mély megerősítő tanulásba, mielőtt belemerülnénk a modell optimalizálásába és kiértékelésébe. Mindezt úgy tesszük, hogy közben egy gyártásra kész webes alkalmazáson dolgozunk, amely a Tensorflow és a Keras kombinációjával értelmes, felhasználóbarát eredményt hoz létre, így minden olyan készséggel felvértezve Önt, amire szüksége van ahhoz, hogy magabiztosan és hatékonyan kezelje és fejlessze saját valós mélytanulási projektjeit. Amit megtanulhat Fedezze fel, hogyan állíthatja össze és tisztíthatja meg saját adathalmazait Fejlesszen ki személyre szabott gépi tanulási osztályozási stratégiát Építse, képezze és fejlessze saját modelljeit egyedi problémák megoldásához Dolgozzon olyan gyártásra kész keretrendszerekkel, mint a Tensorflow és a Keras Magyarázza el a neurális hálózatok működését világos és egyszerű kifejezésekkel Értse meg, hogyan telepítse előrejelzéseit a webre Kinek szól ez a könyv?

Ha Python-programozó vagy, aki az adattudomány világába lép, ez az ideális módja a kezdésnek. Tartalomjegyzék Jupyter alapjai Adattisztítás és haladó gépi tanulás Webkaparás és interaktív vizualizációk Bevezetés a neurális hálózatokba és a mélytanulásba Modellarchitektúra Modellértékelés Termékesítés