Bewertung:
Das Buch richtet sich an fortgeschrittene Praktiker der künstlichen Intelligenz und des Deep Learning und bietet eine gründliche Einführung in neuronale Netzwerkarchitekturen wie MLP, CNN und RNN. Es bietet praktische Beispiele und prägnanten Code, setzt aber ein solides Grundwissen über KI voraus.
Vorteile:⬤ Umfassende Behandlung der wichtigsten neuronalen Netzwerktypen (MLP, CNN, RNN) mit praktischen Anwendungen.
⬤ Klare Einführung in Keras über TensorFlow zur Erstellung von Modellen.
⬤ Bedeutende Aktualisierungen in der neuen Ausgabe, die über 40% neue Inhalte enthält.
⬤ Gut geeignet sowohl für fortgeschrittene Praktiker als auch für diejenigen, die sich zwischen Anfänger und Experte befinden.
⬤ Vereinfachte Erklärungen von fortgeschrittenen Konzepten wie GANs, Autoencodern und Reinforcement Learning.
⬤ Autorisiertes und gut strukturiertes Material.
⬤ Setzt voraus, dass der Leser über ein solides Grundwissen über KI und Deep Learning verfügt, was für Anfänger eine Hürde darstellen kann.
⬤ Starke Abhängigkeit von der GPU-Nutzung, die in der Buchbeschreibung nicht erwähnt wird.
⬤ Begrenzte Abdeckung außerhalb von Computer Vision, insbesondere fehlende NLP-Themen.
⬤ Einige Nutzer berichteten über technische Probleme bei der Codeausführung (z. B. Probleme mit SSL-Zertifikaten), die das Lernen behinderten.
⬤ Einigen Erklärungen fehlt es an Tiefe und Kohärenz, so dass zusätzliche Ressourcen erforderlich sind.
(basierend auf 11 Leserbewertungen)
Advanced Deep Learning with TensorFlow 2 and Keras - Second Edition
Aktualisierte und überarbeitete zweite Auflage des Bestsellers zu fortgeschrittenem Deep Learning mit TensorFlow 2 und Keras Hauptmerkmale Erforschen Sie die fortschrittlichsten Deep-Learning-Techniken, die moderne KI-Ergebnisse vorantreiben Neue Abdeckung von unüberwachtem Deep Learning mit gegenseitiger Information, Objekterkennung und semantischer Segmentierung Vollständig aktualisiert für TensorFlow 2. x Buchbeschreibung
Advanced Deep Learning with TensorFlow 2 and Keras, Second Edition ist eine vollständig aktualisierte Ausgabe des Bestsellers zu den fortgeschrittenen Deep-Learning-Techniken, die heute verfügbar sind. Diese für TensorFlow 2.x überarbeitete Ausgabe führt Sie in die praktische Seite des Deep Learning mit neuen Kapiteln über unüberwachtes Lernen mit gegenseitiger Information, Objekterkennung (SSD) und semantische Segmentierung (FCN und PSPNet) ein und ermöglicht es Ihnen, Ihre eigenen hochmodernen KI-Projekte zu erstellen.
Das Buch nutzt Keras als Open-Source-Bibliothek für Deep Learning und bietet praktische Projekte, die Ihnen zeigen, wie Sie mit den neuesten Techniken effektivere KI erstellen können.
Das Buch beginnt mit einem Überblick über mehrschichtige Perzeptronen (MLPs), Faltungsneuronale Netze (CNNs) und rekurrente Neuronale Netze (RNNs) und stellt dann weitere innovative Techniken vor, während Sie tiefe neuronale Netzarchitekturen wie ResNet und DenseNet erforschen und lernen, wie man Autocoder erstellt. Anschließend lernen Sie GANs kennen und erfahren, wie sie neue Leistungsebenen der KI erschließen können.
Als Nächstes erfahren Sie, wie ein Variational Autoencoder (VAE) implementiert wird und wie GANs und VAEs die generative Kraft haben, Daten zu synthetisieren, die für Menschen äußerst überzeugend sein können. Sie werden auch lernen, wie man DRL wie Deep Q-Learning und Policy Gradient Methods implementiert, die für viele moderne Ergebnisse in der KI entscheidend sind. Was Sie lernen werden Verwenden Sie Techniken zur Maximierung der gegenseitigen Information, um unüberwachtes Lernen durchzuführen Verwenden Sie Segmentierung, um die pixelweise Klasse jedes Objekts in einem Bild zu identifizieren Identifizieren Sie sowohl die Bounding Box als auch die Klasse von Objekten in einem Bild unter Verwendung von Objekterkennung Lernen Sie die Bausteine für fortgeschrittene Techniken - MLPss, CNN und RNNs Verstehen Sie tiefe neuronale Netze - einschließlich ResNet und DenseNet Verstehen und erstellen Sie autoregressive Modelle - Autocoder, VAEs und GANs Entdecken und implementieren Sie tiefe Reinforcement-Learning-Methoden Für wen ist dieses Buch?
Da es sich nicht um ein Einführungsbuch handelt, ist ein sicherer Umgang mit Python erforderlich. Der Leser sollte auch mit einigen Ansätzen des maschinellen Lernens vertraut sein, und praktische Erfahrung mit DL ist ebenfalls hilfreich. Kenntnisse von Keras oder TensorFlow 2.0 sind nicht erforderlich, werden aber empfohlen. Inhaltsverzeichnis Einführung in fortgeschrittenes Deep Learning mit Keras Tiefe neuronale Netze Autoencoder Generative Adversarial Networks (GANs) Verbesserte GANs Entwirrte Repräsentation GANs Domänenübergreifende GANs Variationale Autoencoder (VAEs) Deep Reinforcement Learning Policy Gradient Methods Objekterkennung Semantische Segmentierung Unüberwachtes Lernen mit gegenseitiger Information
| ISBN: | 9781838821654 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
