Bewertung:
Das Buch bietet eine praktische Einführung in Deep Learning mit praktischen Projekten und klaren Anleitungen, aber es leidet unter Tippfehlern und fehlendem Einführungsmaterial, was die Leser verwirren kann, insbesondere diejenigen, die neu auf dem Gebiet sind.
Vorteile:Großartige praktische Einführung, viele Projekte, klare Schritt-für-Schritt-Anleitungen und gute Beispiele. Sehr empfehlenswert für Deep Learning- und Python-Enthusiasten.
Nachteile:Zahlreiche Tippfehler erschweren das Lesen, und das Fehlen von Einführungskapiteln und klaren Installationsanweisungen kann für Anfänger verwirrend sein.
(basierend auf 4 Leserbewertungen)
Applied Deep Learning with Python
Ein praktischer Leitfaden für Deep Learning mit intuitiven Erklärungen und fesselnden Praxisbeispielen Hauptmerkmale Entwickelt, um die Fähigkeiten von Python-Benutzern, die keinen Data-Science-Hintergrund haben, iterativ zu entwickeln Deckt die wichtigsten grundlegenden Konzepte ab, die Sie wissen müssen, wenn Sie Deep-Learning-Systeme aufbauen Voller Schritt-für-Schritt-Übungen und Aktivitäten, die Ihnen helfen, die Fähigkeiten aufzubauen, die Sie für die reale Welt benötigen Buchbeschreibung
Mit einem Ansatz, der die neuesten Entwicklungen im Python-Ökosystem nutzt, werden Sie zunächst durch das Jupyter-Ökosystem, wichtige Visualisierungsbibliotheken und leistungsstarke Techniken zur Datenbereinigung geführt, bevor wir unser erstes Vorhersagemodell trainieren. Wir werden eine Reihe von Klassifizierungsansätzen wie Support Vector Networks, Random Decision Forests und K-Nearest Neighbours erforschen, um Ihr Verständnis zu vertiefen, bevor wir uns in komplexere Bereiche begeben. Es ist in Ordnung, wenn diese Begriffe überwältigend erscheinen; wir zeigen Ihnen, wie Sie sie anwenden können.
Wir bauen auf unserer Klassifizierung auf, indem wir einen kurzen Blick auf ethisches Web-Scraping und interaktive Visualisierungen werfen, die Ihnen bei der professionellen Erfassung und Präsentation Ihrer Analysen helfen. Danach beginnen wir mit der Entwicklung unserer wichtigsten Deep-Learning-Anwendung, die darauf abzielt, den zukünftigen Bitcoin-Kurs auf der Grundlage historischer öffentlicher Daten vorherzusagen.
Indem wir Sie durch ein trainiertes neuronales Netzwerk führen, werden wir gängige Deep-Learning-Netzwerkarchitekturen (Faltungsnetzwerke, rekurrente Netzwerke, generative adversarische Netzwerke) erforschen und uns mit Deep Reinforcement Learning beschäftigen, bevor wir in die Modelloptimierung und -bewertung eintauchen. Wir werden all dies tun, während wir an einer produktionsreifen Webanwendung arbeiten, die Tensorflow und Keras kombiniert, um ein aussagekräftiges, benutzerfreundliches Ergebnis zu erzielen. Sie erhalten alle Fähigkeiten, die Sie benötigen, um Ihre eigenen Deep-Learning-Projekte in der realen Welt selbstbewusst und effektiv anzugehen und zu entwickeln. Was Sie lernen werden Entdecken Sie, wie Sie Ihre eigenen Datensätze zusammenstellen und bereinigen können Entwickeln Sie eine maßgeschneiderte Klassifizierungsstrategie für maschinelles Lernen Bauen, trainieren und verbessern Sie Ihre eigenen Modelle, um einzigartige Probleme zu lösen Arbeiten Sie mit produktionsreifen Frameworks wie Tensorflow und Keras Erklären Sie die Funktionsweise neuronaler Netze in klaren und einfachen Worten Verstehen Sie, wie Sie Ihre Vorhersagen im Web bereitstellen können Für wen dieses Buch gedacht ist
Wenn Sie ein Python-Programmierer sind, der in die Welt der Datenwissenschaft einsteigen möchte, ist dies der ideale Einstieg. Inhaltsverzeichnis Jupyter-Grundlagen Datenbereinigung und fortgeschrittenes maschinelles Lernen Web Scraping und interaktive Visualisierungen Einführung in neuronale Netze und Deep Learning Modellarchitektur Modellevaluation Produktentwicklung
| ISBN: | 9781789804744 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
