Bewertung:
Das Buch erhielt negative Rückmeldungen, wobei die Rezensenten ihre Enttäuschung über die Länge und die Qualität des Inhalts zum Ausdruck brachten. Sie kritisierten die Verwendung großer Bilder, die Platz vergeuden, und stellten die Qualifikation eines der Autoren in Frage. Der Rezensent äußerte auch sein Misstrauen gegenüber den auf Amazon verfügbaren Rezensionen.
Vorteile:Die Vorteile des Buches wurden nicht erwähnt.
Nachteile:Das Buch ist übermäßig lang mit unnötigen Leerräumen und großen Bildern. Ein Autor ist nicht ausreichend qualifiziert. Der Rezensent hält den Inhalt für irreführend und die Qualität der Veröffentlichung für schlecht.
(basierend auf 2 Leserbewertungen)
Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch
Nutzen Sie diesen leicht verständlichen Leitfaden für Einsteiger, um zu verstehen, wie Deep Learning auf die Aufgabe der Anomalieerkennung angewendet werden kann. Unter Verwendung von Keras und PyTorch in Python konzentriert sich das Buch darauf, wie verschiedene Deep-Learning-Modelle auf halbüberwachte und nicht überwachte Anomalieerkennungsaufgaben angewendet werden können.
Das Buch beginnt mit einer Erklärung, was Anomalieerkennung ist, wofür sie verwendet wird und welche Bedeutung sie hat. Nachdem statistische und traditionelle Methoden des maschinellen Lernens für die Erkennung von Anomalien mit Scikit-Learn in Python behandelt wurden, bietet das Buch eine Einführung in Deep Learning mit Details zum Aufbau und Training eines Deep-Learning-Modells in Keras und PyTorch, bevor der Schwerpunkt auf Anwendungen der folgenden Deep-Learning-Modelle für die Erkennung von Anomalien gelegt wird: verschiedene Arten von Autoencodern, Restricted Boltzmann Machines, RNNs & LSTMs und Temporal Convolutional Networks. Das Buch befasst sich mit unbeaufsichtigter und halbüberwachter Anomalieerkennung sowie mit den Grundlagen der zeitreihenbasierten Anomalieerkennung.
Am Ende des Buches werden Sie ein gründliches Verständnis der grundlegenden Aufgabe der Anomalieerkennung sowie eine Auswahl an Methoden zur Anomalieerkennung haben, die von traditionellen Methoden bis hin zu Deep Learning reichen. Darüber hinaus werden Sie in Scikit-Learn eingeführt und sind in der Lage, Deep-Learning-Modelle in Keras und PyTorch zu erstellen.
Was Sie lernen werden
⬤ Verstehen, was Anomalieerkennung ist und warum sie in der heutigen Welt wichtig ist.
⬤ Vertraut werden mit statistischen und traditionellen Machine-Learning-Ansätzen zur Erkennung von Anomalien mit Scikit-Learn.
⬤ Die Grundlagen des Deep Learning in Python mit Keras und PyTorch kennen.
⬤ Grundlegende Konzepte der Datenwissenschaft zur Messung der Leistung eines Modells kennen: verstehen, was AUC ist, was Präzision und Recall bedeuten und mehr.
⬤ Deep Learning auf semi-supervised und unsupervised Anomalie-Erkennung anwenden.
Für wen ist dieses Buch gedacht?
Datenwissenschaftler und Ingenieure für maschinelles Lernen, die die Grundlagen von Deep-Learning-Anwendungen für die Erkennung von Anomalien erlernen möchten.
| ISBN: | 9781484251768 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2019 |
| Seitenzahl: | 416 |
Derzeit verfügbar, auf Lager.
