Értékelés:
A könyv közérthető és gyakorlatias bevezetést nyújt a mélytanulásba, az alapokat technikai mélységgel tárgyalja. Sok olvasó szerint jól strukturált és pedagógiailag megalapozott, így mérnökök és hobbisták számára egyaránt alkalmas. Egyes kritikusok azonban kritizálják, hogy az alkalmazási példák nem elég mélyek, és azt állítják, hogy nem nyújt hasznos információkat az interneten ingyenesen elérhető információkon túl.
Előnyök:Rendkívül közérthető bevezetés, az alapok alapos lefedése, gyakorlatias útmutató kódpéldákkal, segíti az intuíció fejlesztését, jól strukturált és pedagógiai szempontból.
Hátrányok:Egyesek szerint nem praktikus és nem is hasznos, hiányoznak belőle a teljes körű alkalmazások; a kritikák között szerepel, hogy hasonló információk ingyenesen elérhetők az interneten.
(5 olvasói vélemény alapján)
Practical Deep Learning: A Python-Based Introduction
A Gyakorlati mélytanulás megtanítja a teljesen kezdőknek, hogyan építsék fel az adathalmazokat és a neurális hálózatok képzéséhez szükséges modelleket a saját DL-projektjeikhez.
Ha kíváncsi voltál a gépi tanulásra, de nem tudtad, hol kezdd, ez az a könyv, amire vártál. A gépi tanulás mélytanulásként ismert részterületére összpontosítva elmagyarázza az alapvető fogalmakat, és megadja a szükséges alapokat ahhoz, hogy elkezdhesse saját modelljeinek építését. Ahelyett, hogy egyszerűen recepteket vázolna fel a meglévő eszközkészletek használatához, a Gyakorlati mélytanulás megtanítja a mélytanulás miértjét, és további felfedezésekre inspirálja majd.
Mindössze a számítógépes programozás és a középiskolai matematika alapszintű ismeretére van szükséged - a könyv a többit megoldja. A Python bevezetője után olyan kulcsfontosságú témákon halad át, mint például a jó tréningadathalmaz összeállítása, a scikit-learn és a Keras könyvtárakkal való munka, valamint a modellek teljesítményének kiértékelése.
Megtanulhatod továbbá:
- Hogyan használd a klasszikus gépi tanulási modelleket, mint például a k-közelebbi szomszédok, a véletlen fák és a támogató vektoros gépek.
- Hogyan működnek a neurális hálózatok és hogyan képezzük őket.
- Hogyan kell használni a konvolúciós neurális hálózatokat.
- Hogyan fejlesszünk ki egy sikeres mélytanulási modellt a semmiből.
Az út során kísérleteket fogsz végezni, és egy olyan végső esettanulmányt fogsz készíteni, amely magában foglalja mindazt, amit megtanultál.
A Practical Deep Learning tökéletes bevezetés ebbe a dinamikus, folyamatosan bővülő területbe, és megadja a készségeket és a magabiztosságot ahhoz, hogy belevethesse magát a saját gépi tanulási projektjeibe.