Mélytanulás a TensorFlow 2 és a Keras segítségével - Második kiadás: Regresszió, ConvNets, GAN-ok, RNN-ek, NLP és még sok más a TensorFlow 2 és a Keras API segítségével

Olvasói vélemények

A könyv átfogó és gyakorlatias megközelítést kínál a mélytanuláshoz a TensorFlow 2.x használatával, mind a kezdők, mind a tapasztalt adattudósok számára. Bár a könyv a témák széles körét öleli fel alkalmazható példákkal, néhány olvasó a forráskód hibáiról és az elavult információkról számolt be. Összességében a könyvet dicsérik az áttekinthetőségéért és relevanciájáért, bár néhányan hiányolták a mélyebb témák mélységét.

⬤ A mélytanulás témáinak átfogó lefedettsége.
⬤ Világos és gyakorlatias példák a gyakorlati tanuláshoz.
⬤ Kezdőknek és tapasztalt szakembereknek egyaránt jó.
⬤ Jól strukturált, könnyen követhető magyarázatokkal.
⬤ A szerzők a terület elismert szakértői.

⬤ A felhasználók által bejelentett forráskód hibák és hiányzó fájlok.
⬤ Néhány tartalom túl gyorsan van elmagyarázva, így az olvasónak kérdései maradnak.
⬤ Bizonyos haladó témák nem elég mélyek.
⬤ Egyes felhasználók szerint inkább a gépi tanulással kapcsolatos előismeretekkel rendelkezők számára alkalmas.

(25 olvasói vélemény alapján)

Eredeti címe:

Deep Learning with TensorFlow 2 and Keras - Second Edition: Regression, ConvNets, GANs, RNNs, NLP, and more with TensorFlow 2 and the Keras API

Könyv tartalma:

Építsen gépi és mélytanulási rendszereket az újonnan megjelent TensorFlow 2 és Keras segítségével laboratóriumi, termelési és mobil eszközökre

Főbb jellemzők

⬤ Bemutatja, majd használja a TensorFlow 2-t és a Kerast már az elejétől kezdve.

⬤ Tanítja a legfontosabb gépi és mélytanulási technikákat.

⬤ Megtanulja a mélytanulás és a gépi tanulás alapjait világos magyarázatokon és kiterjedt kódmintákon keresztül.

Könyv leírása

A Deep Learning with TensorFlow 2 and Keras, Second Edition a TensorFlow (TF) és a Keras mellett neurális hálózatokat és mélytanulási technikákat tanít. Megtanulhatja, hogyan írhat mélytanulási alkalmazásokat a jelenleg elérhető legerősebb, legnépszerűbb és legjobban skálázható gépi tanulási stackben.

A TensorFlow a professzionális alkalmazásokhoz választott gépi tanulási könyvtár, míg a Keras egyszerű és hatékony Python API-t kínál a TensorFlow eléréséhez. A TensorFlow 2 teljes Keras-integrációt biztosít, így a fejlett gépi tanulás minden eddiginél egyszerűbbé és kényelmesebbé válik.

Ez a könyv bemutatja a neurális hálózatokat is a TensorFlow-val, végigfut a főbb alkalmazásokon (regresszió, ConvNets (CNN-ek), GAN-ek, RNN-ek, NLP), két működő példaalkalmazással foglalkozik, majd belemerül a TF termelésben, a TF mobilban és a TensorFlow használatában az AutoML-lel.

Mit fogsz tanulni

⬤ Gépi tanulási és mélytanulási rendszerek építése a TensorFlow 2 és a Keras API segítségével.

⬤ Használja a regresszióelemzést, a gépi tanulás legnépszerűbb megközelítését.

⬤ Megérted a ConvNets (konvolúciós neurális hálók) működését és azt, hogy hogyan nélkülözhetetlenek a mélytanulási rendszerekhez, például a képosztályozókhoz.

⬤ Használja a GAN-okat (generatív adverzális hálózatok) a meglévő mintákhoz illeszkedő új adatok létrehozására.

⬤ Fedezze fel az RNN-eket (rekurrens neurális hálózatok), amelyek képesek intelligens módon feldolgozni a bemeneti szekvenciákat, felhasználva a szekvencia egyik részét egy másik rész helyes értelmezésére.

⬤  Alkalmazza a mély tanulást a természetes emberi nyelvre, és értelmezze a természetes nyelvű szövegeket a megfelelő válasz előállítása érdekében.

⬤ Tréningelje modelljeit a felhőben, és helyezze a TF-et valós környezetben munkába.

⬤ Tapasztalja meg, hogy a Google eszközeivel hogyan automatizálhatja az egyszerű ML munkafolyamatokat anélkül, hogy bonyolult modellezésre lenne szükség.

Kinek szól ez a könyv

Ez a könyv Python fejlesztőknek és adattudósoknak szól, akik gépi tanulási és mélytanulási rendszereket szeretnének építeni a TensorFlow segítségével. Akár foglalkozott már gépi tanulással korábban, akár nem, ez a könyv megadja a Keras, a TensorFlow 2 és az AutoML használatához szükséges elméletet és gyakorlatot gépi tanulási rendszerek építéséhez.