Mélyreható tanulás: A Practitioner's Approach

Olvasói vélemények

A könyvet általánosságban jó fogadtatásban részesítették a mélytanulás gyakorlati megközelítése miatt, különösen a Java-programozók számára. A mélytanulással és a DL4J keretrendszerrel kapcsolatos témák széles skáláját öleli fel, így a gyakorlati szakemberek számára is hozzáférhetővé teszi. Ugyanakkor kritika érte, hogy nem elég mély az elméleti magyarázatokban, és problémái vannak a kód egyértelműségével. Néhány olvasó emellett aggodalmát fejezte ki a Java-ra való összpontosítás és néhány szerkesztői mulasztás miatt.

⬤ Kiváló gyakorlati megközelítés a mélytanulás valós projektekben való alkalmazásához.
⬤ Világos koncepcionális áttekintést nyújt a mélytanulási architektúrákról.
⬤ Könnyen érthető, még azok számára is, akik nem rendelkeznek erős matematikai háttérrel.
⬤ Értékes meglátásokat tartalmaz a DL4J keretrendszer és alkalmazásainak használatához.
⬤ Hasznos mind az elméleti, mind az alkalmazott betekintés megszerzéséhez, ha elméletibb szövegekkel párosítjuk.

⬤ Az elméleti magyarázatok nem elég mélyek, ami a kezdők számára zavaró lehet.
⬤ A kódpéldák kizárólag Java nyelven íródtak, ami korlátozza a Python-fejlesztők hozzáférését.
⬤ Néhány olvasó elgépeléseket és hibákat talált, ami aggályokat vet fel a szerkesztés minőségével kapcsolatban.
⬤ Az alap- és haladó fogalmak közötti ugrálás miatt az olvasók elveszhetnek.
⬤ Néhány kritikus úgy érezte, hogy a tartalom túl sekélyes, és inkább az online anyagok felelevenítése.

(38 olvasói vélemény alapján)

Eredeti címe:

Deep Learning: A Practitioner's Approach

Könyv tartalma:

Bár a gépi tanulás iránti érdeklődés elérte a csúcspontját, a nagyra törő elvárások gyakran még azelőtt elvetik a projekteket, mielőtt azok nagyon messzire jutnának. Hogyan tud a gépi tanulás - különösen a mély neurális hálózatok - valódi változást hozni az Ön szervezetében? Ez a gyakorlati útmutató nemcsak a témában elérhető legpraktikusabb információkat nyújtja, hanem segít a hatékony mély tanulású hálózatok építésének megkezdésében is.

A szerzők, Adam Gibson és Josh Patterson elméletet nyújtanak a mélytanulásról, mielőtt bemutatnák a nyílt forráskódú Deeplearning4j (DL4J) könyvtárukat a termelési szintű munkafolyamatok fejlesztéséhez. Valós példákon keresztül megismerheti a mélyhálózati architektúrák képzésének módszereit és stratégiáit, valamint a DL4J segítségével mélytanulási munkafolyamatok futtatását Sparkon és Hadoopon.

⬤ Merüljön el a gépi tanulás fogalmaiban általában, valamint a mélytanulásban különösen.

⬤ Megtanulja, hogyan fejlődtek ki a mély hálózatok a neurális hálózatok alapjaiból.

⬤ Tárja fel a főbb mélyhálózati architektúrákat, beleértve a konvolúciós és a rekurrens architektúrákat.

⬤ Tanulja meg, hogyan képezzen le konkrét mélyhálózatokat a megfelelő problémához.

⬤ Menjen végig az általános neurális hálózatok és a specifikus mélyhálózati architektúrák hangolásának alapjain.

⬤ Használja a vektorizálási technikákat a különböző adattípusokhoz a DataVec, a DL4J munkafolyamat eszközével.

⬤ Tanulja meg, hogyan használhatja a DL4J-t natívan a Spark és a Hadoop rendszereken.