Leserbewertungen
Zusammenfassung:Das Buch ist ein praktischer Leitfaden zur Implementierung von Deep-Learning-Modellen mit Keras, ideal für diejenigen, die bereits mit maschinellem Lernen vertraut sind. Der Schwerpunkt liegt auf Programmierbeispielen und weniger auf dem theoretischen Verständnis, weshalb es sich auch für erfahrene Datenwissenschaftler eignet. Allerdings fehlt es ihm an theoretischem Tiefgang und es wurden Formatierungsprobleme festgestellt, die das Leseerlebnis beeinträchtigen könnten.
Vorteile:** Bietet praktische Implementierungsdetails und Beispiele für Deep-Learning-Modelle mit Keras. ** Geeignet für Leser, die bereits Konzepte des maschinellen Lernens verstehen. ** Deckt aktuelle Forschung ab und enthält gut recherchierte Beispiele. ** Schnelle und praktische Einführung in die Verwendung von Keras.
Nachteile:** Fehlt es an Tiefe in den theoretischen Erklärungen und der zugrunde liegenden Mathematik. ** Viele Beispiele sind einfach, ohne ausreichenden Kontext oder Erklärung. ** Schlechte Buchformatierung, besonders in der Kindle-Version, mit schwer lesbaren Bildern und Code. ** Einige Leser fanden das Buch für den gebotenen Inhalt überteuert.
(basierend auf 42 Leserbewertungen)
Originaltitel:
Deep Learning with Keras
Inhalt des Buches:
Hinweis des Herausgebers: Diese Ausgabe aus dem Jahr 2017 ist veraltet und nicht mit TensorFlow 2 oder einem der jüngsten Updates der Python-Bibliotheken kompatibel. Eine neue zweite Auflage, die für 2020 aktualisiert wurde und TensorFlow 2, die Keras API, CNNs, GANs, RNNs, NLP und AutoML enthält, ist jetzt veröffentlicht worden.
Key Features:
⬤ Implementieren Sie verschiedene Deep-Learning-Algorithmen in Keras und sehen Sie, wie Deep Learning in Spielen eingesetzt werden kann.
⬤ Sehen Sie, wie verschiedene Deep-Learning-Modelle und praktische Anwendungsfälle mit Keras implementiert werden können.
⬤ Ein praktischer Leitfaden mit Beispielen aus der Praxis, der Ihnen eine solide Grundlage in Keras bietet.
Buchbeschreibung:
Dieses Buch beginnt mit einer Einführung in überwachte Lernalgorithmen wie einfache lineare Regression, das klassische mehrschichtige Perzeptron und komplexere tiefe Faltungsnetzwerke. Sie werden auch die Bildverarbeitung mit der Erkennung von handgeschriebenen Ziffernbildern, der Klassifizierung von Bildern in verschiedene Kategorien und der fortgeschrittenen Objekterkennung mit zugehörigen Bildkommentaren erkunden. Ein Beispiel für die Identifizierung von markanten Punkten für die Gesichtserkennung wird ebenfalls gegeben.
Als Nächstes werden Sie in rekurrente Netze eingeführt, die für die Verarbeitung von Sequenzdaten wie Text, Audio oder Zeitreihen optimiert sind. Anschließend lernen Sie unüberwachte Lernalgorithmen wie Autoencoder und die sehr beliebten Generative Adversarial Networks (GANs) kennen. Sie werden auch nicht-traditionelle Anwendungen von neuronalen Netzen wie Style Transfer erkunden.
Schließlich werden Sie sich mit dem Verstärkungslernen und seiner Anwendung auf KI-Spiele beschäftigen, einer weiteren beliebten Richtung der Forschung und Anwendung neuronaler Netze.
Was Sie lernen werden:
⬤ Optimieren Sie Schritt-für-Schritt-Funktionen in einem großen neuronalen Netz mit Hilfe des Backpropagation-Algorithmus.
⬤ Feinabstimmung eines neuronalen Netzes, um die Qualität der Ergebnisse zu verbessern.
⬤ Deep Learning für die Bild- und Audioverarbeitung nutzen.
⬤ Rekursive neuronale Tensornetzwerke (RNTNs) verwenden, um die Standard-Worteinbettung in speziellen Fällen zu übertreffen.
⬤ Identifizieren Sie Probleme, für die Lösungen mit rekursiven neuronalen Netzen (RNN) geeignet sind.
⬤ Untersuchen Sie den Prozess, der zur Implementierung von Autoencodern erforderlich ist.
⬤ Entfalten Sie ein tiefes neuronales Netzwerk mit Hilfe von Verstärkungslernen.
Für wen dieses Buch gedacht ist:
Wenn Sie ein Datenwissenschaftler mit Erfahrung im maschinellen Lernen oder ein KI-Programmierer mit einigen Erfahrungen mit neuronalen Netzen sind, wird dieses Buch ein nützlicher Einstieg in Deep Learning mit Keras sein. Für dieses Buch sind Kenntnisse in Python erforderlich.
Weitere Daten des Buches:
| ISBN: | 9781787128422 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
