Kuchařka hlubokého učení: Praktické recepty, jak rychle začít s učením

Recenze čtenářů

Kniha je oceňována pro svůj praktický přístup k hlubokému učení, díky němuž jsou složitá témata přístupná i těm, kteří mají základní znalosti programování. Pokrývá různá témata včetně klasifikace textu, zpracování obrazu a analýzy hudby a je doplněna užitečnými zápisníky v jazyce Python. Má však některá omezení, například je černobílá a pro správné fungování některých ukázkových kódů vyžaduje úpravy.

Pokrývá širokou škálu témat v oblasti hlubokého učení, praktický přístup, jednoduchá schémata, zábavný tón, dobře napsaná, doprovázená Zápisníky Pythonu a sdílenými příklady na GitHubu. Obsahuje unikátní obsah, například analýzu hudby.

Černobílý formát nemusí být ideální pro všechny výstupy, některé ukázkové kódy je třeba před spuštěním upravit a nepokrývá Deep Reinforcement Learning.

(na základě 7 hodnocení čtenářů)

Původní název:

Deep Learning Cookbook: Practical Recipes to Get Started Quickly

Obsah knihy:

Hluboké učení nemusí být děsivé. Donedávna tato metoda strojového učení vyžadovala roky studia, ale díky frameworkům, jako jsou Keras a Tensorflow, mohou softwaroví inženýři bez zkušeností se strojovým učením rychle vstoupit do této oblasti. Díky receptům v této kuchařce se naučíte řešit problémy hlubokého učení pro klasifikaci a generování textu, obrázků a hudby.

Každá kapitola se skládá z několika receptů potřebných k dokončení jednoho projektu, například trénování systému doporučování hudby. Autor Douwe Osinga také uvádí kapitolu s půltuctem technik, které vám pomohou, pokud se zaseknete. Příklady jsou napsány v jazyce Python, přičemž kód je k dispozici na GitHubu jako sada sešitů Pythonu.

Naučíte se, jak:

⬤ Vytvářet aplikace, které budou sloužit skutečným uživatelům.

⬤ Používat slovní vložky k výpočtu podobnosti textů.

⬤ Sestavit systém pro doporučování filmů na základě odkazů na Wikipedii.

⬤ Zjistit, jak umělé inteligence vidí svět pomocí vizualizace jejich vnitřního stavu.

⬤ Vytvořte model pro navrhování emotikonů pro části textu.

⬤ Použijte předtrénované sítě k vytvoření služby pro inverzní vyhledávání obrázků.

⬤ Porovnejte, jak sítě GAN, autoenkodéry a LSTM generují ikony.

⬤ Detekovat hudební styly a indexovat sbírky písní.