Gépi tanulás Tensorflow-val

Olvasói vélemények

A könyvet a gépi tanulás és a TensorFlow gyakorlatias megközelítése miatt értékelik, világos magyarázatokkal és jól kommentált kóddal. Számos kritikus ajánlja a könyvet, mint hasznos kezdő forrást a területre újonnan belépők számára. Ugyanakkor kritizálták, hogy túlságosan leegyszerűsítő, hiányoznak belőle a matematikai alapok, és elavult példákat tartalmaz, amelyek nem működnek a TensorFlow legújabb verzióival. Egyes felhasználók az írást összefüggéstelennek találták, és úgy érezték, hogy jobb információkat is találnak az interneten.

⬤ Kézzelfogható bevezetés
⬤ jól szervezett
⬤ világos magyarázatok
⬤ remek példák kommentált kóddal
⬤ kezdőknek is alkalmas
⬤ földhözragadt tanítási stílus
⬤ jó a meglévő tudás összerakásához.

⬤ Túlságosan alapszintű a tapasztalt felhasználók számára
⬤ hiányzik a matematikai szigor
⬤ elavult és elrontott példák
⬤ egyesek szerint az írás rossz és körülményes
⬤ a második fele túlságosan az egyszerűbb témákra koncentrál a TensorFlow sajátosságai helyett.

(22 olvasói vélemény alapján)

Eredeti címe:

Machine Learning with Tensorflow

Könyv tartalma:

Összefoglaló

A Machine Learning with TensorFlow szilárd alapokat nyújt az olvasóknak a gépi tanulás fogalmaiban, valamint gyakorlati tapasztalatot ad a TensorFlow Python nyelven történő kódolásához.

A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.

A technológiáról

A TensorFlow, a Google nagyméretű gépi tanuláshoz használt könyvtára leegyszerűsíti a gyakran bonyolult számításokat azáltal, hogy azokat gráfként ábrázolja, és a gráfok egyes részeit hatékonyan leképezi egy fürtben lévő gépekre vagy egyetlen gép processzoraira.

A könyvről

A Machine Learning with TensorFlow szilárd alapokat nyújt az olvasóknak a gépi tanulás fogalmaiban, valamint gyakorlati tapasztalatot nyújt a TensorFlow Python nyelven történő kódolásában. Az alapokat klasszikus előrejelzési, osztályozási és klaszterezési algoritmusokkal dolgozva sajátíthatja el. Ezután áttér a pénzes fejezetekre: a mélytanulási fogalmak, például az autoencoderek, a rekurrens neurális hálózatok és a megerősítéses tanulás feltárására. Eméssze meg ezt a könyvet, és készen áll majd arra, hogy a TensorFlow-t saját gépi tanulás és mélytanulás alkalmazásaihoz használja.

What's Inside

⬤ A feladatok illesztése a megfelelő gépi tanulási és mélytanulási megközelítésekhez.

⬤ Az algoritmusok vizualizálása a TensorBoard segítségével.

⬤ Neurális hálózatok megértése és használata.

Az olvasóról

Pythonban és algebrai fogalmakban, például vektorokban és mátrixokban jártas fejlesztőknek íródott.

A szerzőről

A szerző Nishant Shukla számítógépes látáskutató, aki a gépi tanulási technikák robotikában való alkalmazására összpontosít.

A vezető technikai szerkesztő Kenneth Fricklas tapasztalt fejlesztő, szerző és gépi tanulással foglalkozó szakember.

Tartalomjegyzék

1. RÉSZ - A GÉPI TANULÁSHOZ SZÜKSÉGES FELSZERELÉS.

⬤ A gépi tanulás odüsszeiája.

⬤ A TensorFlow alapjai.

2. RÉSZ - ALAPVETŐ TANULÁSI ALGORITMUSOK.

⬤ Lineáris regresszió és azon túl.

⬤ Egy szelíd bevezetés az osztályozásba.

⬤ Adatok automatikus klaszterezése.

⬤ Rejtett Markov-modellek.

3. RÉSZ - A NEURÁLIS HÁLÓZATI PARADIGMA.

⬤ Egy pillantás az autoencoderekbe.

⬤ Keményítő tanulás.

⬤ Konvolúciós neurális hálózatok.

⬤ Rekurrens neurális hálózatok.

⬤ Sorozattól-sorozatig modellek chatbotokhoz.

⬤ Használtatói tájkép.