Začátky detekce anomálií pomocí hlubokého učení v jazyce Python: S Kerasem a Pytorchem

Recenze čtenářů

Kniha získala negativní ohlasy, recenzent vyjádřil zklamání nad její délkou a kvalitou obsahu. Kritizovali použití velkých obrázků, které zbytečně zabírají místo, a zpochybnili kvalifikaci jednoho z autorů. Recenzent také vyjádřil nedůvěru v recenze dostupné na Amazonu.

Přínosy knihy nebyly uváděny.

Kniha je příliš dlouhá, se zbytečnými prázdnými místy a velkými obrázky. Jeden z autorů nemá dostatečnou kvalifikaci. Recenzent považuje obsah za zavádějící a domnívá se, že kvalita vydání je nízká.

(na základě 2 hodnocení čtenářů)

Původní název:

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Obsah knihy:

Využijte tohoto přehledného průvodce pro začátečníky, abyste pochopili, jak lze hluboké učení aplikovat na detekci anomálií. Kniha se s využitím Keras a PyTorch v jazyce Python zaměřuje na to, jak lze různé modely hlubokého učení aplikovat na poloprovozní a neprovozní úlohy detekce anomálií.

Kniha začíná vysvětlením, co je detekce anomálií, k čemu se používá a jaký má význam. Poté, co se kniha věnuje statistickým a tradičním metodám strojového učení pro detekci anomálií pomocí Scikit-Learn v jazyce Python, poskytuje úvod do hlubokého učení s podrobnostmi o tom, jak sestavit a trénovat model hlubokého učení v Keras i PyTorch, a poté se přesune k aplikacím následujících modelů hlubokého učení pro detekci anomálií: různé typy autoenkodérů, omezené Boltzmannovy stroje, RNN a LSTM a časové konvoluční sítě. Kniha se zabývá nekontrolovanou a polokontrolovanou detekcí anomálií spolu se základy detekce anomálií založené na časových řadách.

Na konci knihy budete důkladně rozumět základním úkolům detekce anomálií a také různým metodám detekce anomálií, od tradičních metod až po hluboké učení. Kromě toho se seznámíte se systémem Scikit-Learn a budete schopni vytvářet modely hlubokého učení v prostředí Keras a PyTorch.

Co se naučíte

⬤ Pochopíte, co je to detekce anomálií a proč je v dnešním světě důležitá.

⬤ Seznámíte se se statistickými a tradičními přístupy strojového učení k detekci anomálií pomocí Scikit-Learn.

⬤ Znát základy hlubokého učení v jazyce Python pomocí Keras a PyTorch.

⬤ Znát základní pojmy datové vědy pro měření výkonnosti modelu: rozumět tomu, co je AUC, co znamená přesnost a odvolání a další.

⬤ Aplikovat hluboké učení na poloprovozní a neprovozní detekci anomálií.

Pro koho je tato kniha určena

Datovým vědcům a inženýrům strojového učení, kteří mají zájem naučit se základy aplikací hlubokého učení v detekci anomálií.