Leserbewertungen
Zusammenfassung:Das Buch „Advanced Deep Learning with Python“ von Ivan Vasilev wird für seine gründliche und eingehende Erforschung von Deep-Learning-Konzepten geschätzt, wobei der Schwerpunkt auf der zugrunde liegenden Mathematik und den praktischen Anwendungen in Python liegt. Das Buch richtet sich an Leser mit Grundkenntnissen in KI und maschinellem Lernen und deckt ein breites Spektrum an Themen ab, darunter Architekturen neuronaler Netze, Computer Vision, Verarbeitung natürlicher Sprache und neue Technologien. Obwohl das Buch umfassend und gut strukturiert ist, wird es in erster Linie denjenigen empfohlen, die bereits über einige Kenntnisse auf diesem Gebiet verfügen.
Vorteile:⬤ Vertiefte Behandlung von Deep-Learning-Konzepten.
⬤ Gut strukturierte und klare Erklärungen der mathematischen Grundlagen.
⬤ Zugängliche Python-Code-Beispiele, die auf GitHub verfügbar sind.
⬤ Unabhängige Kapitel, die ein gezieltes Studium bestimmter Themen ermöglichen.
⬤ Wertvoll sowohl für das theoretische Verständnis als auch für die praktische Umsetzung.
⬤ Geeignet für fortgeschrittene Anwendungen wie GANs und NLP.
⬤ Großartig zum Erlernen der Feinheiten neuronaler Netze und verwandter Algorithmen.
⬤ Nicht für absolute Anfänger geeignet; Vorkenntnisse im Bereich Deep Learning werden empfohlen.
⬤ Python-Kenntnisse können für einige Leser notwendig sein, um sich mit den Code-Beispielen zu beschäftigen.
⬤ Einige Leser könnten die Mathematik als Herausforderung empfinden, wenn sie nicht über ein solides Hintergrundwissen verfügen.
⬤ Das Buch eignet sich möglicherweise nicht als eigenständige Einführung für diejenigen, die mit Deep-Learning-Frameworks nicht vertraut sind.
(basierend auf 23 Leserbewertungen)
Originaltitel:
Advanced Deep Learning with Python
Inhalt des Buches:
Erwerben Sie Fachwissen in fortgeschrittenen Deep-Learning-Bereichen wie neuronalen Netzen, Meta-Lernen, neuronalen Graphen-Netzen und speichererweiterten neuronalen Netzen unter Verwendung des Python-Ökosystems Hauptmerkmale Machen Sie sich mit dem Aufbau schnellerer und robusterer Deep-Learning-Architekturen vertraut Untersuchen und trainieren Sie Modelle für Faltungsneuronale Netze (CNN) mit GPU-beschleunigten Bibliotheken wie TensorFlow und PyTorch Wenden Sie tiefe neuronale Netze (DNNs) auf Probleme des Computersehens, NLP und GANs an Buchbeschreibung
Um robuste Deep-Learning-Systeme zu entwickeln, müssen Sie alles verstehen, von der Funktionsweise neuronaler Netze bis zum Training von CNN-Modellen. In diesem Buch erfahren Sie alles über neu entwickelte Deep-Learning-Modelle, die in diesem Bereich verwendeten Methoden und deren Implementierung auf der Grundlage von Anwendungsbereichen.
Sie beginnen mit dem Verständnis der Bausteine und der Mathematik hinter neuronalen Netzen und gehen dann zu CNNs und ihren fortgeschrittenen Anwendungen in der Computer Vision über. Sie werden auch lernen, die beliebtesten CNN-Architekturen bei der Objekterkennung und Bildsegmentierung anzuwenden. Im weiteren Verlauf beschäftigen Sie sich mit Variations-Autokodierern und GANs. Anschließend verwenden Sie neuronale Netze zur Extraktion anspruchsvoller Vektordarstellungen von Wörtern, bevor Sie sich mit verschiedenen Arten von rekurrenten Netzen wie LSTM und GRU beschäftigen. Sie werden sogar den Aufmerksamkeitsmechanismus erforschen, um sequentielle Daten ohne die Hilfe von rekurrenten neuronalen Netzen (RNNs) zu verarbeiten. Später werden Sie graphische neuronale Netze für die Verarbeitung strukturierter Daten verwenden und sich mit dem Meta-Lernen befassen, das es Ihnen ermöglicht, neuronale Netze mit weniger Trainingsbeispielen zu trainieren. Schließlich werden Sie verstehen, wie Deep Learning auf autonome Fahrzeuge angewendet werden kann.
Am Ende dieses Buches werden Sie die wichtigsten Deep-Learning-Konzepte und die verschiedenen Anwendungen von Deep-Learning-Modellen in der realen Welt beherrschen. Was Sie lernen werden Behandeln Sie fortgeschrittene und hochmoderne neuronale Netzwerkarchitekturen Verstehen Sie die Theorie und Mathematik hinter neuronalen Netzwerken Trainieren Sie DNNs und wenden Sie sie auf moderne Deep-Learning-Probleme an Verwenden Sie CNNs für die Objekterkennung und Bildsegmentierung Implementieren Sie generative adversarische Netzwerke (GANs) und Variations-Autocoder, um neue Bilder zu generieren Lösen Sie Aufgaben der natürlichen Sprachverarbeitung (NLP), wie z. B. maschinelle Übersetzung, mit Sequenz-zu-Sequenz-Modellen Verstehen Sie DL-Techniken, wie z. B. Meta-Lernen und graphische neuronale Netzwerke Für wen ist dieses Buch?
Dieses Buch richtet sich an Datenwissenschaftler, Deep-Learning-Ingenieure und -Forscher sowie KI-Entwickler, die ihr Wissen über Deep Learning vertiefen und innovative und einzigartige Deep-Learning-Projekte entwickeln möchten. Auch für alle, die sich mit fortgeschrittenen Anwendungsfällen und Methoden des Deep Learning anhand von Beispielen aus der Praxis auseinandersetzen möchten, ist dieses Buch nützlich. Ein grundlegendes Verständnis von Deep-Learning-Konzepten und Grundkenntnisse der Programmiersprache Python werden vorausgesetzt. Inhaltsverzeichnis Das Einmaleins der neuronalen Netze Verstehen von Faltungsnetzen Fortgeschrittene Faltungsnetze Objekterkennung und Bildsegmentierung Generative Modelle Sprachmodellierung Verstehen von rekurrenten Netzen Sequenz-zu-Sequenz-Modelle und Aufmerksamkeit Aufstrebende neuronale Netzdesigns Meta-Lernen Deep Learning für autonome Fahrzeuge
Weitere Daten des Buches:
| ISBN: | 9781789956177 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
