Bewertung:
Das Buch bietet praktische Einblicke in die Implementierung des maschinellen Lernens, wobei der Schwerpunkt auf Deep Belief Networks liegt. Die Qualität des Buches wird jedoch durch zahlreiche Tippfehler und unzureichende Erklärungen sowie durch einen Mangel an Originalinhalten in allen Bänden beeinträchtigt. Während einige Leser das Buch als nützlich für das Lernen empfanden, kritisierten andere, dass es sich um ein minderwertiges, selbstverlegtes Werk handelt.
Vorteile:⬤ Praktisch und aufschlussreich
⬤ vermittelt ein gutes Verständnis der Implementierung von maschinellem Lernen
⬤ enthält nützliche C++-Codebeispiele
⬤ verbessert das Verständnis von Deep Belief Networks
⬤ von einigen als absolut erstaunliche Ressource gelobt, die die Ausführungsgeschwindigkeit und Genauigkeit verbessert.
⬤ Schlechte Schreibqualität mit vielen Tippfehlern und verwirrenden Erklärungen
⬤ Inhalt scheint über mehrere Bände hinweg wiederverwendet zu werden
⬤ enthält zu viel Code-Dokumentation
⬤ es fehlt an klaren Diagrammen und visuellen Darstellungen
⬤ viele empfehlen bessere Ressourcen, die online oder über andere Wege verfügbar sind.
(basierend auf 11 Leserbewertungen)
Deep Belief Nets in C++ and Cuda C: Volume 1: Restricted Boltzmann Machines and Supervised Feedforward Networks
Entdecken Sie die wesentlichen Bausteine der gängigsten Formen von Deep Belief Networks. Bei jedem Schritt bietet dieses Buch eine intuitive Motivation, eine Zusammenfassung der wichtigsten Gleichungen, die für das Thema relevant sind, und schließt mit hochkommentiertem Code für die Berechnung mit Threads auf modernen CPUs sowie für die massive Parallelverarbeitung auf Computern mit CUDA-fähigen Grafikkarten ab.
Deep Belief Nets in C++ and CUDA C: Volume 1 ist das erste von drei Büchern einer Reihe über Deep Learning und Belief Nets in C++ und CUDA C. Es zeigt Ihnen, dass die Struktur dieser eleganten Modelle der des menschlichen Gehirns viel näher kommt als die herkömmlicher neuronaler Netze; sie verfügen über einen Denkprozess, der in der Lage ist, abstrakte Konzepte aus einfacheren Primitiven zu lernen. Sie werden sehen, dass ein typisches Deep Belief Net durch die Optimierung von Millionen von Parametern lernen kann, komplexe Muster zu erkennen, und dass dieses Modell dennoch resistent gegen Überanpassung ist.
Alle im Buch vorgestellten Routinen und Algorithmen sind im Code-Download verfügbar, der auch einige Bibliotheken mit verwandten Routinen enthält.
(Was Sie lernen werden)
⬤ Einsatz von Deep Learning mit C++ und CUDA C.
⬤ Arbeiten Sie mit überwachten Feedforward-Netzwerken.
⬤ Implementierung von beschränkten Boltzmann-Maschinen.
⬤ Generative Samplings verwenden.
⬤ Entdecken Sie, warum diese wichtig sind.
Für wen ist dieses Buch gedacht?
Diejenigen, die zumindest ein Grundwissen über neuronale Netze und etwas Programmiererfahrung haben, wobei einige C++- und CUDA-C-Kenntnisse empfohlen werden.
| ISBN: | 9781484235904 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 219 |
Derzeit verfügbar, auf Lager.
