Értékelés:
A kritikák dicsérik a könyvet a generatív mélytanulási koncepciók világos magyarázataiért és a jól strukturált tartalomért, amely egyensúlyt teremt az elmélet és a gyakorlati alkalmazások között. Az olvasók kiemelik a különböző generatív modellekről nyújtott információk mélységét és a szerző magával ragadó írói stílusát. Vannak azonban figyelemre méltó kritikák a Kindle kiadásban található kódpéldák minőségével és a demók futtatásával kapcsolatos néhány problémával kapcsolatban.
Előnyök:⬤ Kiváló szerkezetű és könnyen követhető.
⬤ Az összetett fogalmak világos magyarázata.
⬤ Jó egyensúly az elmélet és a gyakorlati példák között.
⬤ A generatív modellek átfogó lefedettsége.
⬤ Magával ragadó és humoros írásmód.
⬤ Számos, jól alátámasztott, működő kódpélda.
⬤ A matematikai egyenletek és jelölések gyenge minősége a Kindle kiadásban.
⬤ Néhány kódpélda nehezen futtatható kompatibilitási problémák és elavult könyvtárak miatt.
⬤ Néhány recenzens megjegyezte, hogy a modellek képzési eredményei nem feleltek meg a várt eredményeknek.
⬤ A generált kimenetek minőségének értékelésére vonatkozó rész hiánya.
(24 olvasói vélemény alapján)
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
A generatív modellezés a mesterséges intelligencia egyik legforróbb témája. Ma már lehetséges megtanítani egy gépet arra, hogy olyan emberi tevékenységekben, mint a festés, az írás és a zeneszerzés, kiemelkedő teljesítményt nyújtson. E gyakorlatias könyv segítségével a gépi tanulással foglalkozó mérnökök és adattudósok felfedezhetik, hogyan lehet újraalkotni a generatív mélytanulási modellek néhány leglenyűgözőbb példáját, például a variációs autokódolókat, a generatív adverszális hálózatokat (GAN), a transzformátorokat, a normalizáló áramlásokat és a diffúziós modelleket.
David Foster szerző bemutatja az egyes technikák belső működését, kezdve a mélytanulás alapjaival, mielőtt továbblépne a terület legmodernebb algoritmusaihoz. A tippeken és trükkökön keresztül megértheti, hogyan teheti modelljeit hatékonyabbá a tanulást, és hogyan válhat kreatívabbá.
⬤ Fedezze fel, hogyan változtatják meg a variációs autoencoderek az arckifejezéseket a fényképeken.
⬤ Építsen gyakorlati GAN példákat a semmiből, hogy saját adatállománya alapján képeket generáljon.
⬤ Készítsen autoregresszív generatív modelleket, például LSTM-eket szöveggeneráláshoz és PixelCNN modelleket képgeneráláshoz.
⬤ Zenei generáló modellek készítése a Transformers és a MuseGAN segítségével.
⬤ Felfedezze a legmodernebb architektúrák, például a StyleGAN, a VQ-VAE, a BERT és a GPT-3 belső működését.
⬤ Merüljön el a generatív modellek, például a stílusátvitel (CycleGAN, neurális stílusátvitel) és a multimodális modellek (CLIP és DALL. E 2) jelenlegi gyakorlati alkalmazásaiba a szövegből képet generáláshoz.
⬤ Megtanulja, hogy a generatív modellek hogyan segíthetik az ágenseket a feladatok elvégzésében megerősített tanulási környezetben.
⬤ Tudja, hogyan alakulhat a generatív modellezés jövője, beleértve azt is, hogy a vállalkozásoknak hogyan kell alkalmazkodniuk az új technológiák előnyeinek kihasználásához.
© 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)