Leserbewertungen
Zusammenfassung:Das Buch bietet eine umfassende Einführung in die Neuronale Suche und die Jina-Plattform und bietet eine Mischung aus theoretischen Übersichten und praktischen Beispielen. Es ist eine wertvolle Ressource für diejenigen, die neu in die Neuronale Suche einsteigen, denen es aber möglicherweise an Tiefe bei bestimmten fortgeschrittenen Themen und Anpassungsoptionen mangelt.
Vorteile:Das Buch bietet einen umfassenden Überblick über klassische und neue Themen im Bereich der neuronalen Suche, liefert praktische Code-Rezepte und enthält praktische Tutorials zur Verwendung von Jina für die multimodale Suche. Es deckt effektiv die Grundlagen ab und hilft dem Leser, die Stärken und Schwächen neuronaler Suchalgorithmen zu verstehen.
Nachteile:Einige Rezensenten merkten an, dass das Buch bestimmte Themen nicht detailliert genug behandelt, insbesondere fortgeschrittene Anpassungsoptionen und bestimmte Funktionen von Jina, wie Subindicies und Flow. Es wurde auch der Wunsch geäußert, dass in zukünftigen Ausgaben mehr über transformatorbasierte Suchsysteme berichtet wird.
(basierend auf 5 Leserbewertungen)
Originaltitel:
Neural Search - From Prototype to Production with Jina: Build deep learning-powered search systems that you can deploy and manage with ease
Inhalt des Buches:
Implementieren Sie neuronale Suchsysteme in der Cloud, indem Sie die Jina-Designmuster nutzen.
Hauptmerkmale:
⬤ Identifizieren Sie die verschiedenen Suchtechniken und entdecken Sie Anwendungen der neuronalen Suche.
⬤ Gewinnen Sie ein solides Verständnis der Vektordarstellung und wenden Sie Ihr Wissen bei der neuronalen Suche an.
⬤ Erschließen Sie tiefere Ebenen des Wissens über Jina für die neuronale Suche.
Buchbeschreibung:
Die Suche ist ein großer und ständig wachsender Teil des Tech-Ökosystems. Die herkömmliche Suche hat jedoch Grenzen, die aufgrund ihres Aufbaus schwer zu überwinden sind. Die neuronale Suche ist ein neuartiger Ansatz, der die Möglichkeiten des maschinellen Lernens nutzt, um Informationen unter Verwendung von Vektoreinbettungen als Bürger erster Klasse abzurufen, wodurch sich neue Möglichkeiten zur Verbesserung der mit der herkömmlichen Suche erzielten Ergebnisse eröffnen.
Obwohl die neuronale Suche ein leistungsfähiges Werkzeug ist, ist sie neu und ihre Feinabstimmung kann mühsam sein, da man die verschiedenen Komponenten, auf denen sie beruht, verstehen muss. Jina füllt diese Lücke, indem es eine Infrastruktur bereitstellt, die den Zeitaufwand und die Komplexität bei der Erstellung von Deep-Learning-gestützten Suchmaschinen reduziert. In diesem Buch lernen Sie die Grundlagen der neuronalen Netze für die neuronale Suche, ihre Stärken und Schwächen sowie die Verwendung von Jina zum Aufbau einer Suchmaschine kennen. Mit Hilfe von Schritt-für-Schritt-Erklärungen, praktischen Beispielen und Fragen zur Selbsteinschätzung werden Sie mit den Grundlagen der neuronalen Suche und den Kernkonzepten von Jina vertraut gemacht und lernen, dieses Wissen beim Aufbau Ihrer eigenen Suchmaschine anzuwenden.
Am Ende dieses Deep-Learning-Buches werden Sie in der Lage sein, die neuronalen Suchmuster von Jina optimal zu nutzen, um eine End-to-End-Suchlösung für jede Modalität zu erstellen.
Was Sie lernen werden:
⬤ Verstehen, wie neuronale Suche und Legacy-Suche funktionieren.
⬤ Verstehen Sie die Grundlagen des maschinellen Lernens und der Mathematik, die für die neuronale Suche erforderlich sind.
⬤ Sie lernen die Grundlagen der Vektordarstellung kennen.
⬤ Erforschen Sie die grundlegenden Komponenten von Jina.
⬤ Analysieren Sie Suchsysteme mit verschiedenen Modalitäten.
⬤ Entdecken Sie die Möglichkeiten von Jina mit Hilfe von praktischen Beispielen.
Für wen dieses Buch gedacht ist:
Wenn Sie ein Ingenieur für maschinelles Lernen, Deep Learning oder künstliche Intelligenz sind, der daran interessiert ist, ein Suchsystem jeglicher Art (Text, QA, Bild, Audio, PDF, 3D-Modelle oder andere) unter Verwendung einer modernen Softwarearchitektur zu erstellen, ist dieses Buch für Sie. Dieses Buch ist perfekt für Python-Ingenieure, die daran interessiert sind, ein Suchsystem jeglicher Art unter Verwendung modernster Deep-Learning-Techniken zu entwickeln.
