Bewertung:
Das Buch „Deep Learning for Coders“ von Jeremy Howard und Sylvain Gugger gilt weithin als hervorragende Ressource für praktisches Lernen im Bereich Deep Learning, insbesondere für diejenigen, die bereits etwas Programmiererfahrung haben. Es zeichnet sich durch einen praxisorientierten Top-Down-Ansatz aus, der es den Lesern ermöglicht, sich direkt mit Anwendungen und Projekten zu beschäftigen, wobei häufig die Fastai-Bibliothek in Kombination mit PyTorch verwendet wird. Es wurde jedoch kritisiert, dass es für absolute Anfänger potenziell verwirrend ist und veraltete Codebeispiele enthält, die zu Frustration führen können.
Vorteile:Gut strukturiert für praktisches Lernen, ausgezeichneter praktischer Ansatz, geeignet für Leser mit Programmiererfahrung, reich an Jupyter-Notebook-Beispielen, gut formatiert für die Lesbarkeit auf dem Kindle, deckt relevante und moderne Deep-Learning-Praktiken ab, unterstützende Community und Ressourcen auf GitHub verfügbar.
Nachteile:Möglicherweise nicht für absolute Anfänger ohne Vorkenntnisse geeignet, einige Leser finden die Top-Down-Lernmethode verwirrend, mehrere Kommentare über veralteten Code, der zu Fehlern führt, nicht ideal für diejenigen mit Vorkenntnissen in Deep Learning, die nach fortgeschrittenem Material suchen, potenzielle Probleme mit umfassender Bearbeitung und Kohärenz.
(basierend auf 52 Leserbewertungen)
Deep Learning for Coders with Fastai and Pytorch: AI Applications Without a PhD
Deep Learning wird oft als exklusive Domäne von promovierten Mathematikern und großen Technologieunternehmen angesehen. Doch wie dieser praktische Leitfaden zeigt, können auch Programmierer, die mit Python vertraut sind, mit wenig mathematischem Hintergrundwissen, kleinen Datenmengen und minimalem Code beeindruckende Ergebnisse beim Deep Learning erzielen. Wie das geht? Mit fastai, der ersten Bibliothek, die eine einheitliche Schnittstelle zu den am häufigsten verwendeten Deep-Learning-Anwendungen bietet.
Die Autoren Jeremy Howard und Sylvain Gugger, die Schöpfer von fastai, zeigen Ihnen, wie Sie mit fastai und PyTorch ein Modell für eine breite Palette von Aufgaben trainieren können. Außerdem tauchen Sie schrittweise in die Deep-Learning-Theorie ein, um ein umfassendes Verständnis für die Algorithmen hinter den Kulissen zu erlangen.
⬤ Trainieren Sie Modelle in den Bereichen Computer Vision, Verarbeitung natürlicher Sprache, tabellarische Daten und kollaborative Filterung.
⬤ Lernen Sie die neuesten Deep-Learning-Techniken kennen, die in der Praxis am wichtigsten sind.
⬤ Verbessern Sie die Genauigkeit, Geschwindigkeit und Zuverlässigkeit, indem Sie verstehen, wie Deep-Learning-Modelle funktionieren.
⬤ Entdecken Sie, wie Sie Ihre Modelle in Webanwendungen umsetzen können.
⬤ Implementieren Sie Deep-Learning-Algorithmen von Grund auf.
⬤ Betrachten Sie die ethischen Implikationen Ihrer Arbeit.
⬤ Gewinnen Sie Einblicke aus dem Vorwort von PyTorch-Mitbegründer Soumith Chintala.
| ISBN: | 9781492045526 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 350 |
Derzeit verfügbar, auf Lager.
