Das Handbuch des Deep Learning-Architekten: Aufbau und Einsatz produktionsreifer DL-Lösungen mit den neuesten Python-Techniken

Bewertung:   (4,7 von 5)

Das Handbuch des Deep Learning-Architekten: Aufbau und Einsatz produktionsreifer DL-Lösungen mit den neuesten Python-Techniken (Kin Chin Ee)

Leserbewertungen

Zusammenfassung:

Das Buch ist ein umfassender Leitfaden für Deep Learning, der grundlegende Architekturen, fortgeschrittene Techniken, Modellevaluierung, Verzerrungen und Fairness sowie reale Einsatzpraktiken abdeckt. Es ist in klar definierte Abschnitte gegliedert, so dass es sowohl für Neulinge als auch für erfahrene Praktiker zugänglich ist. Die praktischen Beispiele und der begleitende Code erhöhen den Lerneffekt erheblich.

Vorteile:

Das Buch bietet ein gründliches Verständnis der Deep-Learning-Methoden, praktische Einblicke in die Modellerstellung und -einführung, hervorragende Illustrationen, reichhaltige Inhalte zu Verzerrungen und Fairness, ein strukturiertes Layout für ein einfaches Verständnis, praktische Übungen mit Codebeispielen in Python und ist für verschiedene Kompetenzstufen geeignet.

Nachteile:

Einige Leser könnten bestimmte komplexe Themen immer noch als Herausforderung empfinden, und obwohl das Buch ein breites Spektrum an Themen abdeckt, müssen diejenigen, die sehr spezialisiertes Wissen suchen, möglicherweise zusätzliche Ressourcen zu Rate ziehen.

(basierend auf 10 Leserbewertungen)

Originaltitel:

The Deep Learning Architect's Handbook: Build and deploy production-ready DL solutions leveraging the latest Python techniques

Inhalt des Buches:

Nutzen Sie die Möglichkeiten des Deep Learning, um Ihre Produktivität und Effizienz zu steigern. Dieser praktische Leitfaden enthält Techniken und Best Practices für den gesamten Deep-Learning-Lebenszyklus.

Hauptmerkmale: Interpretieren Sie den Entscheidungsfindungsprozess Ihrer Modelle, um Transparenz und Vertrauen in Ihre KI-gestützten Lösungen zu gewährleisten. Sammeln Sie praktische Erfahrungen in jedem Schritt des Deep-Learning-Lebenszyklus. Entdecken Sie Fallstudien und Lösungen für den Einsatz von DL-Modellen unter Berücksichtigung von Skalierbarkeit, Datendrift und ethischen Erwägungen. Der Kauf des gedruckten oder Kindle-Buches beinhaltet ein kostenloses PDF-eBook.

Buchbeschreibung:

Deep Learning ermöglicht bisher unerreichte Leistungen in der Automatisierung, aber es ist eine gewaltige Aufgabe, einen realen geschäftlichen Nutzen daraus zu ziehen. In diesem Buch lernen Sie, wie Sie komplexe Deep-Learning-Modelle erstellen und eine Intuition für die Strukturierung Ihrer Daten entwickeln, um Ihre Deep-Learning-Ziele zu erreichen.

Dieses Deep-Learning-Buch untersucht jeden Aspekt des Deep-Learning-Lebenszyklus, von der Planung und Datenvorbereitung bis hin zur Modellbereitstellung und -verwaltung, anhand realer Szenarien, die Sie durch die Erstellung, Bereitstellung und Verwaltung fortschrittlicher Lösungen führen. Sie lernen auch, wie Sie mit Bild-, Audio-, Text- und Videodaten unter Verwendung von Deep-Learning-Architekturen arbeiten und Ihre Deep-Learning-Modelle objektiv optimieren und bewerten, um Probleme wie Verzerrungen, Fairness, gegnerische Angriffe und Modelltransparenz zu lösen.

Im weiteren Verlauf werden Sie die Leistungsfähigkeit von KI-Plattformen nutzen, um den Deep-Learning-Lebenszyklus zu rationalisieren und Python-Bibliotheken und -Frameworks wie PyTorch, ONNX, Catalyst, MLFlow, Captum, Nvidia Triton, Prometheus und Grafana einzusetzen, um effiziente Deep-Learning-Architekturen auszuführen, die Modellleistung zu optimieren und die Bereitstellungsprozesse zu rationalisieren. Sie werden auch das transformative Potenzial von großen Sprachmodellen (LLMs) für eine breite Palette von Anwendungen entdecken.

Am Ende dieses Buches werden Sie die Deep-Learning-Techniken beherrschen, um ihr volles Potenzial für Ihre Vorhaben zu erschließen.

Was Sie lernen werden: Verwenden Sie die neuronale Architektursuche (NAS), um den Entwurf künstlicher neuronaler Netze (ANNs) zu automatisieren Implementieren Sie rekurrente neuronale Netze (RNNs), faltbare neuronale Netze (CNNs), BERT, Transformatoren und mehr, um Ihr Modell zu erstellen Gehen Sie mit multimodalen Datendrifts in einer Produktionsumgebung um Qualität und Verzerrungen Ihrer Modelle zu bewerten Untersuchen Sie Techniken, um Ihr Modell vor feindlichen Angriffen zu schützen Machen Sie sich mit der Bereitstellung eines Modells mit DataRobot AutoML vertraut

Für wen dieses Buch gedacht ist:

Dieses Buch richtet sich an Deep-Learning-Praktiker, Datenwissenschaftler und Entwickler für maschinelles Lernen, die Deep-Learning-Architekturen zur Lösung komplexer Geschäftsprobleme erforschen möchten. Fachleute aus dem Bereich Deep Learning und KI im weiteren Sinne werden ebenfalls von den Erkenntnissen profitieren, die für eine Vielzahl von Geschäftsanwendungen anwendbar sind. Für den Einstieg in dieses Buch sind Kenntnisse in der Python-Programmierung und ein grundlegendes Verständnis von Deep-Learning-Techniken erforderlich.

Weitere Daten des Buches:

ISBN:9781803243795
Autor:
Verlag:
Sprache:Englisch
Einband:Taschenbuch

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Das Handbuch des Deep Learning-Architekten: Aufbau und Einsatz produktionsreifer DL-Lösungen mit den...
Nutzen Sie die Möglichkeiten des Deep Learning, um...
Das Handbuch des Deep Learning-Architekten: Aufbau und Einsatz produktionsreifer DL-Lösungen mit den neuesten Python-Techniken - The Deep Learning Architect's Handbook: Build and deploy production-ready DL solutions leveraging the latest Python techniques

Die Werke des Autors wurden von folgenden Verlagen veröffentlicht:

© Book1 Group - Alle Rechte vorbehalten.
Der Inhalt dieser Seite darf weder teilweise noch vollständig ohne schriftliche Genehmigung des Eigentümers kopiert oder verwendet werden.
Letzte Änderung: 2024.11.13 22:11 (GMT)