Leserbewertungen
Zusammenfassung:Das Buch erhält gemischte Kritiken. Einige loben seine umfassende Abdeckung von TensorFlow und seinen praktischen Ansatz, während andere es für die schlechte Bearbeitung, mangelnde Klarheit und zahlreiche Fehler kritisieren.
Vorteile:Das Buch bietet einen Überblick über TensorFlow auf hohem Niveau, deckt eine breite Palette von Deep-Learning-Modellen ab und folgt einem praktischen Kochbuchformat, was es für fortgeschrittene Benutzer nützlich macht. Spezielle Kapitel, wie die über Autoencoder und Reinforcement Learning, werden besonders gut aufgenommen. Das Buch vereinfacht komplexe Konzepte und bietet gute Details zur Implementierung. Es enthält auch Schritt-für-Schritt-Anleitungen für die Verwendung von TensorFlow-Modellen in mobilen Anwendungen.
Nachteile:Viele Rezensionen weisen auf erhebliche Bearbeitungsfehler hin, einschließlich falscher Codeschnipsel und schlechter Formatierung, die zu Verwirrung führen können. Einige Leser finden die Organisation des Inhalts mangelhaft, mit schlecht erklärten Beispielen. Das Buch wird für seine irreführende Darstellung des Inhalts kritisiert, da sich einige Abschnitte auf Keras und nicht auf TensorFlow beziehen. Außerdem wird behauptet, dass viele Konzepte und Codeschnipsel frei im Internet gefunden werden können, was das Buch überteuert macht.
(basierend auf 16 Leserbewertungen)
Originaltitel:
TensorFlow 1.x Deep Learning Cookbook
Inhalt des Buches:
Machen Sie den nächsten Schritt bei der Implementierung verschiedener gängiger und nicht so gängiger neuronaler Netze mit Tensorflow 1. x
Hauptmerkmale:
⬤ Machen Sie sich fit und implementieren Sie knifflige neuronale Netze mit Googles TensorFlow 1. x.
⬤ Ein leicht verständlicher Leitfaden, mit dem Sie Reinforcement Learning, GANs, Autoencoders, Multilayer Perceptrons und mehr erkunden können.
⬤ Praktische Rezepte für die Arbeit mit Tensorflow auf dem Desktop, mobil und in der Cloud.
Buchbeschreibung:
Tiefe neuronale Netze (DNNs) haben im Bereich der Computer Vision, der Spracherkennung und der Verarbeitung natürlicher Sprache große Erfolge erzielt. Dieser spannende, auf Rezepten basierende Leitfaden führt Sie von der DNN-Theorie zur praktischen Implementierung, um reale Probleme im Bereich der künstlichen Intelligenz zu lösen.
In diesem Buch lernen Sie, wie Sie TensorFlow, Googles Open-Source-Framework für Deep Learning, effizient nutzen können. Sie werden verschiedene Deep-Learning-Netzwerke, wie Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Deep Q-learning Networks (DQNs) und Generative Adversarial Networks (GANs), mit einfach zu befolgenden, eigenständigen Rezepten implementieren. Sie werden lernen, wie man TensorFlow mit Keras als Backend verwendet. Sie werden lernen, wie verschiedene DNNs auf einigen populären Datensätzen, wie MNIST, CIFAR-10 und Youtube8m, abschneiden. Sie werden nicht nur die verschiedenen mobilen und eingebetteten Plattformen kennenlernen, die von TensorFlow unterstützt werden, sondern auch, wie man Cloud-Plattformen für Deep Learning-Anwendungen einrichtet. Sie erhalten auch einen Einblick in die TPU-Architektur und wie sie die Zukunft der DNNs beeinflussen wird.
Durch die Verwendung von klaren, leicht verständlichen Rezepten werden Sie ein Experte bei der Implementierung von Deep-Learning-Techniken in wachsenden realen Anwendungen und Forschungsbereichen wie Reinforcement Learning, GANs und Autocodierern.
Was Sie lernen werden:
⬤ Nutzen Sie verschiedene Datensätze wie MNIST, CIFAR-10 und Youtube8m mit TensorFlow und lernen Sie, wie Sie darauf zugreifen und sie in Ihrem Code verwenden können.
⬤ TensorBoard verwenden, um die Architekturen neuronaler Netze zu verstehen, den Lernprozess zu optimieren und einen Blick in die Blackbox neuronaler Netze zu werfen.
⬤ Verwenden Sie verschiedene Regressionstechniken für Vorhersage- und Klassifizierungsprobleme.
⬤ Ein- und mehrschichtige Perceptrons in TensorFlow aufbauen.
⬤ Ein CNN und ein RNN in TensorFlow zu implementieren und sie zur Lösung realer Probleme zu verwenden.
⬤ Lernen Sie, wie Restricted Boltzmann Machines verwendet werden können, um Filme zu empfehlen.
⬤ Die Implementierung von Autoencodern und Deep Belief Networks verstehen und für die Emotionserkennung nutzen.
⬤ Beherrschen Sie die verschiedenen Methoden des Verstärkungslernens, um spielende Agenten zu implementieren.
Für wen dieses Buch gedacht ist:
Dieses Buch richtet sich an Datenanalysten, Datenwissenschaftler, Praktiker des maschinellen Lernens und Deep-Learning-Enthusiasten, die regelmäßig Deep-Learning-Aufgaben durchführen wollen und nach einem praktischen Leitfaden suchen, auf den sie sich beziehen können. Personen, die bereits ein wenig mit neuronalen Netzen vertraut sind und nun Fachwissen über die Arbeit mit verschiedenen Arten von neuronalen Netzen und Datensätzen erwerben möchten, werden dieses Buch sehr nützlich finden.
Weitere Daten des Buches:
| ISBN: | 9781788293594 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Kauf:
Derzeit verfügbar, auf Lager.
