Bewertung:
Das Buch ist eine wertvolle Ressource sowohl für angehende als auch für erfahrene Datenwissenschaftler, die KI, insbesondere Deep Learning, verstehen und implementieren möchten. Allerdings gibt es ein besorgniserregendes Problem mit Urheberrechtsverletzungen, das einige Leser betroffen hat.
Vorteile:Gut geschrieben und informativ mit umfassender Abdeckung der Grundlagen, Tools und Frameworks des Deep Learning. Es enthält praktische Programmierbeispiele und geht auf relevante KI-Themen wie Big Data und neue Techniken wie Transfer Learning und Capsule Networks ein.
Nachteile:Das Buch weist einige grammatikalische Fehler auf, die das Leseerlebnis beeinträchtigen können. Außerdem gibt es Probleme im Zusammenhang mit Urheberrechtsverletzungen, die bei einigen Nutzern zu Frustration über entgangene Hörbuchchancen geführt haben.
(basierend auf 2 Leserbewertungen)
AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond
Beherrschen Sie die Ansätze und Prinzipien von Algorithmen der Künstlichen Intelligenz (KI) und wenden Sie sie auf Data Science-Projekte mit Python- und Julia-Code an.
Angehende und praktizierende Data-Science- und KI-Profis sowie Python- und Julia-Programmierer werden zahlreiche KI-Algorithmen üben und ein ganzheitlicheres Verständnis für den Bereich der KI entwickeln. Sie werden lernen, wann sie welches Framework einsetzen sollten, um Projekte in unserer zunehmend komplexen Welt anzugehen.
Die ersten beiden Kapitel führen in das Feld ein, wobei Kapitel 1 einen Überblick über Deep Learning-Modelle und Kapitel 2 einen Überblick über Algorithmen jenseits von Deep Learning gibt, darunter Optimierung, Fuzzy-Logik und künstliche Kreativität.
Die nächsten Kapitel konzentrieren sich auf KI-Frameworks; sie enthalten Daten und Python- und Julia-Code in einem bereitgestellten Docker, damit Sie üben können. Kapitel 3 befasst sich mit MXNet von Apache, Kapitel 4 mit TensorFlow und Kapitel 5 mit Keras. Nach der Behandlung dieser Deep-Learning-Frameworks erkunden wir eine Reihe von Optimierungsframeworks, wobei Kapitel 6 die Partikelschwarmoptimierung (PSO), Kapitel 7 genetische Algorithmen (GAs) und Kapitel 8 das Simulated Annealing (SA) behandelt.
In Kapitel 9 beginnen wir mit der Erforschung fortgeschrittener KI-Methoden, indem wir uns mit Convolutional Neural Networks (CNNs) und Recurrent Neural Networks (RNNs) beschäftigen. In Kapitel 10 werden Optimierungs-Ensembles erörtert und wie sie einen Mehrwert für die Data-Science-Pipeline schaffen können.
Kapitel 11 enthält mehrere alternative KI-Frameworks, darunter Extreme Learning Machines (ELMs), Capsule Networks (CapsNets) und Fuzzy Inference Systems (FIS).
Kapitel 12 befasst sich mit weiteren Überlegungen, die die behandelten KI-Themen ergänzen, darunter Big-Data-Konzepte, Data-Science-Spezialisierungsbereiche und nützliche Datenressourcen für Experimente.
Ein umfassendes Glossar ist ebenso enthalten wie eine Reihe von Anhängen, die Transfer Learning, Reinforcement Learning, Autoencoder-Systeme und Generative Adversarial Networks behandeln. Außerdem gibt es einen Anhang zu den geschäftlichen Aspekten von KI in Data-Science-Projekten und einen Anhang zur Verwendung des Docker-Images für den Zugriff auf die Daten und den Code des Buches.
Das Feld der KI ist riesig und kann für Neulinge überwältigend sein. Dieses Buch wird Sie mit einem soliden Verständnis des Bereichs ausstatten und Sie dazu inspirieren, weiter zu forschen.
| ISBN: | 9781634624091 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2018 |
| Seitenzahl: | 350 |
Derzeit verfügbar, auf Lager.
