Bewertung:
In den Rezensionen wird das Buch für seine klaren Erklärungen der generativen Deep-Learning-Konzepte und seinen gut strukturierten Inhalt gelobt, der ein Gleichgewicht zwischen Theorie und praktischen Anwendungen herstellt. Die Leser heben die Tiefe der Informationen über verschiedene generative Modelle und den ansprechenden Schreibstil des Autors hervor. Allerdings gibt es bemerkenswerte Kritik an der Qualität der Codebeispiele in der Kindle-Ausgabe und an einigen Problemen bei der Ausführung der Demos.
Vorteile:⬤ Ausgezeichnete Struktur und einfach zu folgen.
⬤ Klare Erklärungen komplexer Konzepte.
⬤ Gute Balance zwischen Theorie und praktischen Beispielen.
⬤ Umfassende Behandlung generativer Modelle.
⬤ Fesselnder und humorvoller Schreibstil.
⬤ Zahlreiche gut belegte, funktionierende Code-Beispiele.
⬤ Schlechte Qualität der mathematischen Gleichungen und Notationen in der Kindle-Ausgabe.
⬤ Einige Code-Beispiele sind aufgrund von Kompatibilitätsproblemen und veralteten Bibliotheken nur schwer lauffähig.
⬤ Einige Rezensenten bemerkten, dass die Trainingsergebnisse der Modelle nicht mit den erwarteten Ergebnissen übereinstimmten.
⬤ Es fehlt ein Abschnitt zur Bewertung der Qualität der erzeugten Ergebnisse.
(basierend auf 24 Leserbewertungen)
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
Generative Modellierung ist eines der heißesten Themen der KI. Es ist jetzt möglich, einer Maschine beizubringen, menschliche Fähigkeiten wie Malen, Schreiben und Komponieren von Musik zu übertreffen. In diesem praktischen Buch erfahren Ingenieure für maschinelles Lernen und Datenwissenschaftler, wie sie einige der beeindruckendsten Beispiele für generative Deep-Learning-Modelle wie Variations-Autocoder, generative adversarische Netzwerke (GANs), Transformers, normalisierende Flows und Diffusionsmodelle nachbauen können.
Der Autor David Foster demonstriert das Innenleben jeder Technik, beginnend mit den Grundlagen des Deep Learning, bevor er zu einigen der innovativsten Algorithmen auf diesem Gebiet übergeht. Anhand von Tipps und Tricks erfahren Sie, wie Sie Ihre Modelle effizienter lernen und kreativer werden lassen.
⬤ Entdecken Sie, wie Variations-Autoencoder Gesichtsausdrücke in Fotos verändern können.
⬤ Erstellen Sie praktische GAN-Beispiele von Grund auf, um Bilder auf der Grundlage Ihres eigenen Datensatzes zu generieren.
⬤ Erstellen Sie autoregressive generative Modelle, wie z.B. LSTMs zur Texterzeugung und PixelCNN-Modelle zur Bilderzeugung.
⬤ Modelle zur Musikgenerierung erstellen, mit Transformers und MuseGAN.
⬤ Erforschen Sie das Innenleben der modernsten Architekturen wie StyleGAN, VQ-VAE, BERT und GPT-3.
⬤ Eintauchen in die aktuellen praktischen Anwendungen von generativen Modellen wie Stiltransfer (CycleGAN, neuronaler Stiltransfer) und multimodale Modelle (CLIP und DALL. E 2) für die Text-Bild-Generierung.
⬤ Verstehen, wie generative Modelle Agenten bei der Bewältigung von Aufgaben in einem Reinforcement Learning Umfeld helfen können.
⬤ Verstehen, wie sich die Zukunft der generativen Modellierung entwickeln könnte, einschließlich der Frage, wie sich Unternehmen anpassen müssen, um die Vorteile der neuen Technologien zu nutzen.
| ISBN: | 9781098134181 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2023 |
| Seitenzahl: | 453 |
Derzeit verfügbar, auf Lager.
