Bewertung:
Das Buch bietet eine leicht verständliche und praktische Einführung in Deep Learning, die die Grundlagen mit technischer Tiefe abdeckt. Viele Leser finden es gut strukturiert und pädagogisch fundiert, sodass es sowohl für Ingenieure als auch für Hobbyisten geeignet ist. Einige Rezensenten kritisieren jedoch, dass es an Anwendungsbeispielen mangelt und dass es keine nützlichen Informationen bietet, die über das hinausgehen, was online kostenlos verfügbar ist.
Vorteile:Sehr verständliche Einführung, gründliche Abdeckung der Grundlagen, praktischer Leitfaden mit Codebeispielen, hilft bei der Entwicklung von Intuition, gut strukturiert und pädagogisch.
Nachteile:Einige finden es weder praktisch noch nützlich, es fehlen vollständige Anwendungen; kritisiert wird auch, dass ähnliche Informationen online frei verfügbar sind.
(basierend auf 5 Leserbewertungen)
Practical Deep Learning: A Python-Based Introduction
Practical Deep Learning zeigt absoluten Anfängern, wie sie die Datensätze und Modelle erstellen können, die zum Trainieren neuronaler Netze für ihre eigenen DL-Projekte benötigt werden.
Wenn Sie schon immer neugierig auf maschinelles Lernen waren, aber nicht wussten, wo Sie anfangen sollen, ist dies das Buch, auf das Sie gewartet haben. Es konzentriert sich auf den Teilbereich des maschinellen Lernens, der als Deep Learning bekannt ist, erklärt die wichtigsten Konzepte und bietet Ihnen die Grundlage, die Sie benötigen, um mit dem Aufbau eigener Modelle zu beginnen. Anstatt einfach nur Rezepte für die Verwendung bestehender Toolkits zu skizzieren, lehrt Practical Deep Learning Sie das Warum des Deep Learning und wird Sie dazu inspirieren, weiter zu forschen.
Alles, was Sie brauchen, sind Grundkenntnisse in Computerprogrammierung und Schulmathematik - den Rest übernimmt das Buch. Nach einer Einführung in Python werden Sie die wichtigsten Themen durchgehen, z. B. wie Sie einen guten Trainingsdatensatz erstellen, mit den Bibliotheken scikit-learn und Keras arbeiten und die Leistung Ihrer Modelle bewerten.
Sie werden auch lernen:
- Wie man klassische maschinelle Lernmodelle wie k-Nächste Nachbarn, Random Forests und Support Vector Machines verwendet.
- Wie neuronale Netzwerke funktionieren und wie sie trainiert werden.
- Wie man faltige neuronale Netze verwendet.
- Wie man ein erfolgreiches Deep-Learning-Modell von Grund auf entwickelt.
Auf dem Weg dorthin führen Sie Experimente durch, die in eine abschließende Fallstudie münden, in die Sie alles Gelernte einfließen lassen.
Practical Deep Learning ist die perfekte Einführung in diesen dynamischen, sich ständig erweiternden Bereich und vermittelt Ihnen die Fähigkeiten und das Selbstvertrauen, um in Ihre eigenen Machine-Learning-Projekte einzusteigen.
| ISBN: | 9781718500747 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 450 |
Derzeit verfügbar, auf Lager.
