Értékelés:
Dr. Pablo Rivas „Deep Learning for Beginners” című könyve jó fogadtatásban részesült, mivel egy átfogó bevezető szöveg, amely végigvezeti az olvasót az alapvető mélytanulási koncepciókon és gyakorlati megvalósításokon Python segítségével. A könyv a mélytanulás témáinak széles skáláját öleli fel, és a kezdőknek szól, strukturált útmutatást nyújt a különböző gépi tanulási keretrendszerekhez.
Előnyök:⬤ Nagyszerű bevezetés a mélytanulási koncepciókba kezdőknek.
⬤ Jól szervezett, fokozatos átmenetekkel a témák között.
⬤ Tartalmaz gyakorlati kódolási példákat és gyakorlati alkalmazásokat különböző területeken.
⬤ Használja a Google Colabs-ot a hozzáférhetőség érdekében.
⬤ A keretrendszerek és neurális hálózati architektúrák széles skáláját fedi le.
⬤ A lefedettség mélysége nem biztos, hogy kielégíti a haladó olvasókat, akik mélyrehatóbb tárgyalásokat keresnek.
⬤ Néhány olvasó túl alapszintűnek találhatja a tartalmat, ha már rendelkezik előzetes ismeretekkel a témában.
(3 olvasói vélemény alapján)
Deep Learning for Beginners: A beginner's guide to getting up and running with deep learning from scratch using Python
Felügyelt, felügyelet nélküli és generatív mélytanulási (DL) modellek megvalósítása Keras és Dopamine használatával TensorFlow felett.
Key Features
⬤ A mélytanulásban hasznos alapvető gépi tanulási fogalmak megértése.
⬤ Tanulja meg a mögöttes matematikai fogalmakat, miközben mélytanulási modelleket valósít meg a semmiből.
⬤ Felfedezzen könnyen érthető példákat és felhasználási eseteket, amelyek segítenek szilárd alapokat teremteni a DL-ben.
Könyv leírása
Az interneten található információk exponenciális növekedésével minden eddiginél nehezebbé vált eligazodni mindenben, hogy megbízható tartalmat találjunk, amely segít a mélytanulással való ismerkedésben. Ez a könyv akkor nyújt segítséget, ha kezdő vagy, aki mélytanulással szeretne foglalkozni és mélytanulási modelleket építeni a semmiből, és már rendelkezik a kezdéshez szükséges alapvető matematikai és programozási ismeretekkel.
A könyv a gépi tanulás alapvető áttekintésével kezdődik, és végigvezeti Önt a népszerű Python keretrendszerek beállításán. Azt is megérti, hogyan készítse elő az adatokat a mélytanuláshoz szükséges tisztítás és előfeldolgozás révén, majd fokozatosan halad tovább a neurális hálózatok felfedezésével. Egy külön fejezet betekintést nyújt a neurális hálózatok működésébe azáltal, hogy segít gyakorlatiasan megismerkedni az egy- és több neuronrétegű neuronok képzésével. Később egyszerű példák segítségével olyan népszerű neurális hálózati architektúrákkal fog foglalkozni, mint a CNN-ek, RNN-ek, AE-k, VAE-k és GAN-ek, sőt, a semmiből is építhet modelleket. Minden fejezet végén találsz egy kérdés-válasz részt, amely segít kipróbálni, hogy mit tanultál a könyv során.
A könyv végére jól ismeri majd a mélytanulás fogalmait, és rendelkezik majd a szükséges ismeretekkel ahhoz, hogy a különböző feladatokhoz konkrét algoritmusokat használhasson különböző eszközökkel.
Mit fogsz tanulni
⬤ RNN-ek és hosszú rövid távú memória implementálása képosztályozási és természetes nyelvfeldolgozási feladatokhoz.
⬤ Feltárja a CNN-ek szerepét a számítógépes látásban és a jelfeldolgozásban.
⬤ Megérti a mélytanulás modellezésének etikai vonatkozásait.
⬤ A mélytanulással kapcsolatos matematikai terminológia megértése.
⬤ Kódoljon egy GAN-t és egy VAE-t, hogy képeket generáljon egy megtanult látens térből.
⬤ Vizualizációs technikák alkalmazása az AE-k és VAE-k összehasonlítására.
Kinek szól ez a könyv
Ez a könyv olyan feltörekvő adattudósoknak és mélytanulási mérnököknek szól, akik szeretnének belekezdeni a mélytanulás és a neurális hálózatok alapjaiba. Bár nem szükséges előzetes tudás a mélytanulás vagy a gépi tanulás terén, a lineáris algebra és a Python programozás ismerete szükséges a kezdéshez.
