Bewertung:
Das Buch bietet eine gründliche Einführung in die Codierung neuronaler Netze von Grund auf, mit hilfreichen Codebeispielen und intuitiven Erklärungen. Es leidet jedoch unter erheblichen Problemen wie unvollständigem Code, mangelhaften mathematischen Erklärungen und Fehlern im gesamten Buch, was bei vielen Lesern zu Frustration führt. Die Online-Version mag zwar vorteilhafter sein als die gedruckte, aber insgesamt wird das Buch mit gemischten Gefühlen aufgenommen.
Vorteile:Gut organisierte, klar erklärte Konzepte, umfangreiche Code-Beispiele, einzigartiger Fokus auf die Codierung neuronaler Netze von Grund auf, gute Ressource für das Verständnis der Grundlagen des Deep Learning.
Nachteile:Häufige Fehler, unvollständiger Code, schlecht erklärte Mathematik, Schwarz-Weiß-Diagramme, unübersichtliche Präsentation, und einige Leser hatten das Gefühl, dass es an unterstützenden Erklärungen oder Intuitionen hinter den Konzepten mangelt.
(basierend auf 36 Leserbewertungen)
Deep Learning from Scratch: Building with Python from First Principles
Mit dem Wiederaufleben neuronaler Netze in den 2010er Jahren ist Deep Learning für Praktiker des maschinellen Lernens und sogar für viele Software-Ingenieure unverzichtbar geworden. Dieses Buch bietet eine umfassende Einführung für Datenwissenschaftler und Softwareentwickler mit Erfahrung im maschinellen Lernen. Sie beginnen mit den Grundlagen des Deep Learning und gehen schnell zu den Details wichtiger fortgeschrittener Architekturen über, wobei Sie alles von Grund auf neu implementieren.
Der Autor Seth Weidman zeigt Ihnen, wie neuronale Netze funktionieren, indem er einen Ansatz mit ersten Prinzipien verwendet. Sie lernen, wie Sie mehrschichtige neuronale Netze, neuronale Faltungsnetze und rekurrente neuronale Netze von Grund auf anwenden können. Mit einem gründlichen Verständnis der mathematischen, rechnerischen und konzeptionellen Funktionsweise neuronaler Netze sind Sie für alle zukünftigen Deep-Learning-Projekte bestens gerüstet.
Dieses Buch bietet:
⬤ Extrem klare und gründliche mentale Modelle - begleitet von funktionierenden Code-Beispielen und mathematischen Erklärungen - für das Verständnis neuronaler Netze.
⬤ Methoden zur Implementierung mehrschichtiger neuronaler Netze von Grund auf, unter Verwendung eines leicht verständlichen objektorientierten Rahmens.
⬤ Arbeitsimplementierungen und klare Erklärungen von Faltungsnetzen und rekurrenten neuronalen Netzen.
⬤ Implementierung dieser neuronalen Netzwerkkonzepte mit dem beliebten PyTorch-Framework.
| ISBN: | 9781492041412 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 250 |
Derzeit verfügbar, auf Lager.
