Hluboké učení pro začátečníky: Průvodce pro začátečníky, jak začít s hlubokým učením od nuly pomocí Pythonu.

Recenze čtenářů

Kniha „Deep Learning for Beginners“ od Dr. Pabla Rivase je dobře hodnocena jako komplexní úvodní text, který čtenáře provede základními koncepty hlubokého učení a praktickými implementacemi s využitím jazyka Python. Pokrývá širokou škálu témat v oblasti hlubokého učení a je určena začátečníkům, kterým poskytuje strukturovaný návod pro různé rámce strojového učení.

⬤ Skvělý úvod do konceptů hlubokého učení pro začátečníky.
⬤ Dobře organizované s postupnými přechody mezi tématy.
⬤ Obsahuje praktické příklady kódování a praktické aplikace v různých oblastech.
⬤ Využívá Google Colabs pro zajištění přístupnosti.
⬤ Pokrývá širokou škálu frameworků a architektur neuronových sítí.

⬤ Hloubka pokrytí nemusí uspokojit pokročilé čtenáře, kteří hledají hlubší diskuse.
⬤ Některým čtenářům může obsah připadat příliš základní, pokud již mají předchozí znalosti v oboru.

(na základě 3 hodnocení čtenářů)

Původní název:

Deep Learning for Beginners: A beginner's guide to getting up and running with deep learning from scratch using Python

Obsah knihy:

Implementace modelů hlubokého učení (DL) s dohledem, bez dohledu a generativních modelů pomocí Keras a Dopamine nad TensorFlow.

Klíčové vlastnosti

⬤ Pochopení základních konceptů strojového učení užitečných v hlubokém učení.

⬤ Získáte základní matematické koncepty při implementaci modelů hlubokého učení od základu.

⬤ Prozkoumejte snadno pochopitelné příklady a případy použití, které vám pomohou vybudovat pevné základy v DL.

Popis knihy

S exponenciálně rostoucím množstvím informací na webu je obtížnější než kdy jindy se ve všem zorientovat a najít spolehlivý obsah, který vám pomůže začít s hlubokým učením. Tato kniha vám pomůže, pokud jste začátečník, který se chce věnovat hlubokému učení a vytvářet modely hlubokého učení od nuly a má již základní matematické a programátorské znalosti potřebné pro začátek.

Kniha začíná základním přehledem strojového učení a provede vás nastavením populárních frameworků Pythonu. Pochopíte také, jak připravit data čištěním a předzpracováním pro hluboké učení, a postupně se pustíte do zkoumání neuronových sítí. Speciální část vám přiblíží fungování neuronových sítí tím, že vám pomůže prakticky se seznámit s trénováním jedné a více vrstev neuronů. Později se na jednoduchých příkladech budete zabývat oblíbenými architekturami neuronových sítí, jako jsou CNN, RNN, AE, VAE a GAN, a dokonce budete sestavovat modely od nuly. Na konci každé kapitoly najdete část s otázkami a odpověďmi, které vám pomohou otestovat, co jste se v průběhu knihy naučili.

Na konci této knihy se budete dobře orientovat v koncepcích hlubokého učení a budete mít znalosti potřebné k použití konkrétních algoritmů s různými nástroji pro různé úlohy.

Co se naučíte

⬤ Zavádět RNN a dlouhou krátkodobou paměť pro úlohy klasifikace obrázků a zpracování přirozeného jazyka.

⬤ Prozkoumat úlohu CNN v počítačovém vidění a zpracování signálů.

⬤ Pochopit etické důsledky modelování pomocí hlubokého učení.

⬤ Znát matematickou terminologii spojenou s hlubokým učením.

⬤ Kódovat GAN a VAE pro generování obrázků z naučeného latentního prostoru.

⬤ Zavést vizualizační techniky pro porovnání AE a VAE.

Pro koho je tato kniha určena

Tato kniha je určena začínajícím datovým vědcům a inženýrům hlubokého učení, kteří chtějí začít se základy hlubokého učení a neuronových sítí. Ačkoli nejsou vyžadovány žádné předchozí znalosti hlubokého učení nebo strojového učení, pro začátek je nutná znalost lineární algebry a programování v jazyce Python.