Bewertung:
Das Buch bietet eine Einführung in generative Modelle und deckt ein breites Spektrum an Themen, Werkzeugen und Anwendungen ab, einschließlich praktischer Programmierbeispiele. Es ist sowohl für Anfänger als auch für erfahrene Praktiker geeignet, obwohl es einige Schwächen in der Struktur und Relevanz einiger Inhalte aufweist.
Vorteile:⬤ Umfassende Behandlung generativer Modelle und ihrer Anwendungen.
⬤ Praktische Programmierbeispiele mit TensorFlow und Keras.
⬤ Detaillierte Tutorials zur Einrichtung von Programmierumgebungen.
⬤ Spricht ein breites Publikum an, indem es komplexe Themen auf zugängliche Weise erklärt.
⬤ Gute Organisation der grundlegenden Konzepte, die zu praktischen Projekten führen.
⬤ Einige Kapitel wiederholen sich und enthalten unnötige Inhalte.
⬤ Code-Beispiele funktionieren nicht immer, was zu Verwirrung führt.
⬤ Die Struktur des Buches wird als schlecht organisiert kritisiert, mit sachlichen Fehlern.
⬤ Beispiele im Bereich NLP werden im Vergleich zu den Bild-/Audioabschnitten als schwächer angesehen.
⬤ Einige Themen, wie z.B. Reinforcement Learning, sind für den Hauptfokus auf generative Modelle nicht relevant.
(basierend auf 21 Leserbewertungen)
Generative AI with Python and TensorFlow 2: Create images, text, and music with VAEs, GANs, LSTMs, Transformer models
Implementierung klassischer und generativer Deep-Learning-Modelle anhand praktischer Beispiele
Hauptmerkmale:
⬤ Erforschen Sie die kreativen und menschenähnlichen Fähigkeiten der KI und erzielen Sie beeindruckende Ergebnisse.
⬤ Nutzen Sie die neueste Forschung, um Ihr Wissen über dieses Buch hinaus zu erweitern.
⬤ Experimentieren Sie mit praktischen TensorFlow 2.x-Implementierungen der neuesten generativen Modelle.
Buchbeschreibung:
In den letzten Jahren hat die generative künstliche Intelligenz maßgeblich dazu beigetragen, lebensechte Daten (Bilder, Sprache, Video, Musik und Text) von Grund auf zu erzeugen. In diesem Buch erfahren Sie, wie diese leistungsstarken Modelle aus relativ einfachen Bausteinen erstellt werden und wie Sie diese Modelle an Ihre eigenen Anwendungsfälle anpassen können.
Sie beginnen damit, saubere containerisierte Umgebungen für Python einzurichten und sich mit den Grundlagen tiefer neuronaler Netze vertraut zu machen. Sie lernen Kernkonzepte wie das Perzeptron, Aktivierungsfunktionen, Backpropagation und deren Zusammenhänge kennen. Sobald Sie die Grundlagen beherrschen, werden Sie tiefe generative Modelle in der Tiefe erforschen, einschließlich OpenAIs GPT-Reihe von Nachrichtengeneratoren, Netzwerke für Stiltransfer und Deepfakes und Synergien mit Reinforcement Learning.
Im Laufe des Buches werden Sie sich auf Abstraktionen konzentrieren, wo es sinnvoll ist, und das "Kleingedruckte" verstehen, wie die Modelle im Code zusammengesetzt sind, untermauert durch detaillierte Architekturdiagramme. Das Buch schließt mit einer Reihe von praktischen Projekten zur Erzeugung von Musik, Bildern, Text und Sprache unter Verwendung der Methoden, die Sie in den vorherigen Abschnitten gelernt haben, indem Sie TensorFlow-Schichten, Dienstprogramme und Trainingsschleifen zusammensetzen, um Verbindungen zwischen den verschiedenen Erzeugungsarten aufzudecken.
Am Ende dieses Buches werden Sie das Wissen erworben haben, um Ihre eigenen generativen KI-Modelle zu erstellen und zu implementieren.
Was Sie lernen werden:
⬤ Implementieren Sie gepaarte und ungepaarte Stilübertragungen mit Netzwerken wie StyleGAN.
⬤ Verwendung von Gesichtslandmarken, Autoencodern und pix2pix GAN zur Erstellung von Deepfakes.
⬤ Erstellen Sie mehrere Textgenerierungspipelines auf der Grundlage von LSTMs, BERT und GPT-2 und lernen Sie, wie Aufmerksamkeit und Transformatoren die NLP-Landschaft verändert haben.
⬤ Musik komponieren mit LSTM-Modellen, einfachen generativen adversen Netzen und dem komplexen MuseGAN.
⬤ Trainieren Sie einen Deep-Learning-Agenten, der sich durch eine simulierte physische Umgebung bewegt.
⬤ Entdecken Sie neue Anwendungen der generativen KI, wie das Falten von Proteinen und die Erstellung von Videos aus Bildern.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Python-Programmierer, erfahrene Modellierer und Ingenieure für maschinelles Lernen, die sich mit der Erstellung und Implementierung generativer Modelle befassen möchten. Um den größten Nutzen aus diesem Buch zu ziehen, sollten Sie über grundlegende Kenntnisse der Wahrscheinlichkeitstheorie, der linearen Algebra und des Deep Learning verfügen.
| ISBN: | 9781800200883 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
