Hluboké učení: Přístup praktika

Recenze čtenářů

Kniha je obecně dobře hodnocena pro svůj praktický přístup k hlubokému učení, zejména pro programátory v jazyce Java. Pokrývá širokou škálu témat souvisejících s hlubokým učením a frameworkem DL4J, takže je přístupná i pro praktiky. Byla však kritizována za nedostatečnou hloubku teoretických výkladů a problémy s přehledností kódu. Někteří čtenáři také vyjádřili obavy ze zaměření na jazyk Java a z několika redakčních přehlédnutí.

⬤ Vynikající praktický přístup k aplikaci deep learningu v reálných projektech.
⬤ Poskytuje jasný koncepční přehled architektur hlubokého učení.
⬤ Snadné pochopení i pro ty, kteří nemají silné matematické zázemí.
⬤ Obsahuje cenné poznatky pro používání frameworku DL4J a jeho aplikací.
⬤ Užitečné pro získání teoretických i aplikovaných poznatků, pokud je spojíte s teoretičtějšími texty.

⬤ Chybí hloubka teoretických výkladů, což může být pro začátečníky matoucí.
⬤ Příklady kódu jsou výhradně v jazyce Java, což omezuje přístupnost pro vývojáře v jazyce Python.
⬤ Někteří čtenáři našli první překlepy a chyby, což vyvolává obavy o kvalitu zpracování.
⬤ Přeskakování mezi základními a pokročilými koncepty může čtenáře znejistit.
⬤ Někteří recenzenti měli pocit, že obsah je příliš povrchní a spíše opakuje online materiály.

(na základě 38 hodnocení čtenářů)

Původní název:

Deep Learning: A Practitioner's Approach

Obsah knihy:

Přestože zájem o strojové učení dosáhl vrcholu, přehnaná očekávání často zmaří projekty dříve, než se dostanou příliš daleko. Jak může strojové učení - zejména hluboké neuronové sítě - skutečně změnit vaši organizaci? Tento praktický průvodce poskytuje nejen nejpraktičtější dostupné informace o tomto tématu, ale také vám pomůže začít budovat efektivní sítě hlubokého učení.

Autoři Adam Gibson a Josh Patterson poskytují teorii o hlubokém učení a poté představují svou open-source knihovnu Deeplearning4j (DL4J) pro vývoj pracovních postupů produkční třídy. Na příkladech z reálného světa se naučíte metody a strategie pro trénování architektur hlubokých sítí a provozování pracovních postupů hlubokého učení na platformách Spark a Hadoop pomocí DL4J.

⬤ Ponoříte se do konceptů strojového učení obecně i do hlubokého učení konkrétně.

⬤ Pochopíte, jak se hluboké sítě vyvinuly ze základů neuronových sítí.

⬤ Prozkoumejte hlavní architektury hlubokých sítí, včetně konvolučních a rekurentních.

⬤ Zjistěte, jak mapovat konkrétní hluboké sítě na správný problém.

⬤ Projdete základy ladění obecných neuronových sítí a specifických architektur hlubokých sítí.

⬤ Používejte techniky vektorizace pro různé typy dat pomocí nástroje DataVec, který je součástí pracovního postupu DL4J.

⬤ Zjistěte, jak používat DL4J nativně v systémech Spark a Hadoop.