Grokking Deep Learning

Olvasói vélemények

A könyv bevezető forrásként mutatja be magát a mélytanulás megértéséhez, és arra összpontosít, hogy az összetett fogalmakat a kezdők számára is hozzáférhetővé tegye. Ugyanakkor vegyes kritikákat kapott a világosságát, a kódolási példák hibáit és az általános szervezést illetően.

⬤ A mélytanulás fogalmainak világos és érthető magyarázata.
⬤ Kézzelfogható megközelítés a neurális hálózatok megvalósításához.
⬤ Erős matematikai háttér nélkül is elérhető a kezdők számára.
⬤ Jó alapozó ismeretek a mélytanulásról, fokozatosan felépített stílusban.
⬤ Magával ragadó elbeszélés és analógiák, amelyek segítenek demisztifikálni az összetett gondolatokat.

⬤ Jelentős kódolási hibák, amelyek összezavarhatják a kezdő tanulókat.
⬤ Néhány fejezet zavaros vagy rosszul strukturált.
⬤ Tipográfiai hibákat és irreálisnak vagy kitaláltnak tűnő példákat tartalmaz, ami a gyakorlati alkalmazásokkal való esetleges össze nem illést eredményezheti.
⬤ Bizonyos kritikus szakaszokból hiányzik a kifejtés, így az olvasónak további forrásokat kell keresnie a tisztázáshoz.

(35 olvasói vélemény alapján)

Könyv tartalma:

Összefoglaló

A Grokking Deep Learning megtanít arra, hogyan építs mély tanulási neurális hálózatokat a semmiből Andrew Trask, a mély tanulás tapasztalt szakértője magával ragadó stílusában megmutatja a tudományt a motorháztető alatt, így a neurális hálózatok képzésének minden részletét magad is megismerheted.

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

A technológiáról

A mesterséges intelligencia egyik ága, a mélytanulás neurális hálózatok, az emberi agy által inspirált technológia segítségével tanítja meg a számítógépeket tanulni. Online szövegfordítás, önvezető autók, személyre szabott termékajánlások és virtuális hangalapú asszisztensek - ez csak néhány a mélytanulásnak köszönhető izgalmas modern fejlesztések közül.

A könyvről

A Grokking Deep Learning megtanít arra, hogy a semmiből mély tanulási neurális hálózatokat építsen A mély tanulás tapasztalt szakértője, Andrew Trask magával ragadó stílusában megmutatja a tudományt a motorháztető alatt, hogy a neurális hálózatok képzésének minden részletét elsajátíthassa. Kizárólag Python és a matematikát támogató könyvtár, a NumPy segítségével saját neurális hálózataidat képezheted ki, hogy képeket láss és érts, szöveget fordíts le különböző nyelvekre, és akár úgy írj, mint Shakespeare Ha ezzel kész vagy, teljesen felkészült leszel a mélytanulási keretrendszerek elsajátítására.

Mi van benne?

⬤ A mélytanulás tudománya.

⬤ A saját neurális hálózatok építése és képzése.

⬤ Az adatvédelmi koncepciók, beleértve a szövetségi tanulást.

⬤ Tippek a mélytanulás folytatásához.

Az olvasóról

Középiskolai szintű matematikával és középfokú programozási ismeretekkel rendelkező olvasóknak.

A szerzőről

Andrew Trask az Oxfordi Egyetem doktorandusza és a DeepMind kutatója. Korábban Andrew a Digital Reasoning kutatója és analitikai termékmenedzsere volt, ahol a világ legnagyobb mesterséges neurális hálózatát képezte ki, és segített a Synthesys kognitív számítástechnikai platform analitikai ütemtervének irányításában.

Tartalomjegyzék

⬤ Mélytanulás bemutatása: miért érdemes megtanulni.

⬤ Az alapfogalmak: hogyan tanulnak a gépek?

⬤ Bevezetés a neurális előrejelzésbe: előrehaladás.

⬤ Bevezetés a neurális tanulásba: gradiens süllyedés.

⬤ Egyszerre több súly tanulása: a gradiens süllyedés általánosítása.

⬤ Az első mély neurális hálózat építése: bevezetés a backpropagációba.

⬤ Hogyan képzeljük el a neurális hálózatokat: fejben és papíron.

⬤ Jel tanulása és a zaj figyelmen kívül hagyása: bevezetés a regularizációba és a kötegelésbe.

⬤ Valószínűségek és nemlinearitások modellezése: aktiválási függvények.

⬤ Neurális tanulás élekről és sarkokról: bevezetés a konvolúciós neurális hálózatokba.

⬤ Neurális hálózatok, amelyek megértik a nyelvet: király - férfi + nő ==?

⬤ Neurális hálózatok, amelyek úgy írnak, mint Shakespeare: rekurrens rétegek változó hosszúságú adatokhoz.

⬤ Az automatikus optimalizálás bevezetése: építsünk egy mélytanulási keretrendszert.

⬤ Tanuljunk úgy írni, mint Shakespeare: hosszú rövid távú memória.

⬤ Mély tanulás láthatatlan adatokon: a szövetségi tanulás bevezetése.

⬤ Hová menjünk innen: egy rövid útmutató.