Deep Learning lernen: Theorie und Praxis von neuronalen Netzen, Computer Vision, natürlicher Sprachverarbeitung und Transformatoren mit Tensorflo

Bewertung:   (4,7 von 5)

Deep Learning lernen: Theorie und Praxis von neuronalen Netzen, Computer Vision, natürlicher Sprachverarbeitung und Transformatoren mit Tensorflo (Magnus Ekman)

Leserbewertungen

Zusammenfassung:

Dieses Buch über Deep Learning wird für seinen klaren Schreibstil, die praktischen Programmierbeispiele in TensorFlow und die Fähigkeit, komplexe Konzepte auf zugängliche Weise zu vermitteln, gelobt. Es dient sowohl Ingenieuren, die Deep Learning für praktische Anwendungen erlernen wollen, als auch fortgeschrittenen Nutzern, die ein umfassendes Verständnis des Bereichs suchen. Für absolute Anfänger oder diejenigen, die eine tiefgehende mathematische Analyse suchen, ist es jedoch nicht unbedingt geeignet.

Vorteile:

Hervorragende Erklärungen von Konzepten, praktische Programmierbeispiele, verständlicher Schreibstil, sowohl für Anfänger als auch für Experten geeignet, deckt ein breites Spektrum von Deep-Learning-Architekturen und -Anwendungen ab, relevanter und gut organisierter Inhalt, schönes Layout und Diagramme.

Nachteile:

Kann in einigen Bereichen etwas übereilt sein, bietet möglicherweise nicht genug Tiefe für absolute Anfänger oder diejenigen, die ein tiefes mathematisches Verständnis anstreben, Probleme mit der Druckqualität bei einigen Exemplaren.

(basierend auf 22 Leserbewertungen)

Originaltitel:

Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using Tensorflo

Inhalt des Buches:

NVIDIAs farbiger Leitfaden für Deep Learning: Alles, was Sie brauchen, um loszulegen und Ergebnisse zu erzielen

"Damit jeder an dieser historischen Revolution teilhaben kann, ist eine Demokratisierung von KI-Wissen und -Ressourcen erforderlich. Dieses Buch kommt zur rechten Zeit und ist wichtig, um diese hochgesteckten Ziele zu erreichen.".

-- Aus dem Vorwort von Dr. Anima Anandkumar, Bren Professor, Caltech, und Direktor der ML-Forschung, NVIDIA

"Ekman verwendet eine Lerntechnik, die sich unserer Erfahrung nach als ausschlaggebend für den Erfolg erwiesen hat - er fordert den Leser auf, über die Anwendung von DL-Techniken in der Praxis nachzudenken. Seine geradlinige Herangehensweise ist erfrischend, und er erlaubt dem Leser, ein wenig davon zu träumen, wohin uns DL noch führen könnte."

-- Aus dem Vorwort von Dr. Craig Clawson, Direktor, NVIDIA Deep Learning Institute

Deep Learning (DL) ist eine Schlüsselkomponente der heutigen aufregenden Fortschritte im maschinellen Lernen und der künstlichen Intelligenz. Learning Deep Learning ist ein vollständiger Leitfaden für DL. Dieses Buch beleuchtet sowohl die Kernkonzepte als auch die praktischen Programmiertechniken, die für den Erfolg erforderlich sind, und ist ideal für Entwickler, Datenwissenschaftler, Analysten und andere - auch für diejenigen, die noch keine Erfahrung mit maschinellem Lernen oder Statistik haben.

Nach einer Einführung in die grundlegenden Bausteine tiefer neuronaler Netze, wie künstliche Neuronen und vollständig verbundene, Faltungsschichten und rekurrente Schichten, zeigt Magnus Ekman, wie man sie zum Aufbau fortgeschrittener Architekturen, einschließlich des Transformers, verwendet. Er beschreibt, wie diese Konzepte verwendet werden, um moderne Netzwerke für die Computer Vision und die Verarbeitung natürlicher Sprache (NLP) aufzubauen, einschließlich Mask R-CNN, GPT und BERT. Und er erklärt, wie ein Übersetzer für natürliche Sprache und ein System zur Erzeugung von Bildbeschreibungen in natürlicher Sprache funktioniert.

Ekman liefert durchgängig prägnante, gut kommentierte Code-Beispiele unter Verwendung von TensorFlow mit Keras. Entsprechende PyTorch-Beispiele sind online verfügbar, und das Buch deckt damit die beiden dominierenden Python-Bibliotheken für DL ab, die in der Industrie und im akademischen Bereich verwendet werden. Er schließt mit einer Einführung in die neuronale Architektursuche (NAS), in der er wichtige ethische Fragen erörtert und Ressourcen für weiteres Lernen bereitstellt.

⬤ Erforschen und beherrschen Sie die Kernkonzepte: Perceptrons, gradientenbasiertes Lernen, Sigmoid-Neuronen und Backpropagation.

⬤ Sehen Sie, wie DL-Frameworks die Entwicklung komplizierterer und nützlicherer neuronaler Netze erleichtern.

⬤ Entdecken Sie, wie Faltungsneuronale Netze (CNNs) die Bildklassifizierung und -analyse revolutionieren.

⬤ Rekurrente neuronale Netze (RNNs) und das Langzeitgedächtnis (LSTM) auf Text und andere Sequenzen variabler Länge anwenden.

⬤ NLP mit Sequenz-zu-Sequenz-Netzen und der Transformer-Architektur beherrschen.

⬤ Erstellen Sie Anwendungen für die Übersetzung natürlicher Sprache und Bildunterschriften.

NVIDIAs Erfindung des Grafikprozessors hat den Markt für PC-Spiele ins Rollen gebracht. Die Pionierarbeit des Unternehmens im Bereich des Accelerated Computing - einer hochleistungsfähigen Form des Rechnens an der Schnittstelle von Computergrafik, High-Performance-Computing und künstlicher Intelligenz - verändert Billionen-Dollar-Branchen wie das Transportwesen, das Gesundheitswesen und die Fertigung und treibt das Wachstum vieler anderer Branchen voran.

Registrieren Sie Ihr Buch, um bequemen Zugang zu Downloads, Aktualisierungen und/oder Korrekturen zu erhalten, sobald diese verfügbar sind. Details finden Sie auf der Innenseite des Buches.

Weitere Daten des Buches:

ISBN:9780137470358
Autor:
Verlag:
Einband:Taschenbuch
Erscheinungsjahr:2000
Seitenzahl:752

Kauf:

Derzeit verfügbar, auf Lager.

Ich kaufe es!

Weitere Bücher des Autors:

Deep Learning lernen: Theorie und Praxis von neuronalen Netzen, Computer Vision, natürlicher...
NVIDIAs farbiger Leitfaden für Deep Learning:...
Deep Learning lernen: Theorie und Praxis von neuronalen Netzen, Computer Vision, natürlicher Sprachverarbeitung und Transformatoren mit Tensorflo - Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using Tensorflo

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)