Bewertung:
Das Buch dient sowohl Anfängern als auch fortgeschrittenen Nutzern als wertvolle Ressource auf dem Gebiet des Deep Learning, insbesondere unter Verwendung von TensorFlow 2.0. Es bietet klare Erklärungen und praktische Beispiele, so dass es auch für Umsteiger aus anderen technischen Bereichen wie der Datentechnik geeignet ist. Allerdings wird die schlechte Druckqualität bemängelt.
Vorteile:⬤ Umfassende Abdeckung von Deep Learning-Grundlagen und fortgeschrittenen Themen, klare Erklärungen, praktische Beispiele unter Verwendung von TensorFlow
⬤ 0, nützlich sowohl zum Lernen als auch zum schnellen Nachschlagen, und geeignet für Benutzer mit etwas technischem Hintergrund.
Gemeldete schlechte Druckqualität.
(basierend auf 3 Leserbewertungen)
Tensorflow 2.X in the Colaboratory Cloud: An Introduction to Deep Learning on Google's Cloud Service
Verwenden Sie TensorFlow 2. x mit Googles Colaboratory (Colab), das einen kostenlosen Cloud-Service für Python-Programmierer bietet. Colab ist besonders gut als Plattform für TensorFlow 2.x Deep Learning Anwendungen geeignet. Sie werden Colabs Standardinstallation des aktuellsten TensorFlow 2. x kennenlernen, zusammen mit Colabs einfachem Zugang zu On-Demand-GPU-Hardwarebeschleunigung in der Cloud für die schnelle Ausführung von Deep-Learning-Modellen. Dieses Buch bietet Ihnen die Möglichkeit, Deep Learning in einer angewandten Weise zu begreifen, wobei die einzige Voraussetzung eine Internetverbindung ist. Alles andere - Python, TensorFlow 2.x, GPU-Unterstützung und Jupyter Notebooks - wird von Colab bereitgestellt und ist sofort einsatzbereit.
Das Buch beginnt mit einer Einführung in TensorFlow 2. x und den Google Colab Cloud Service. Sie werden lernen, wie man einen Arbeitsbereich auf Google Colab einrichtet und eine einfache neuronale Netzwerkanwendung erstellt. Danach werden Sie sich mit TensorFlow-Datensätzen und dem Aufbau von Eingabepipelines zur Unterstützung von Modellierung und Tests beschäftigen. Sie werden Deep Learning-Klassifizierung und -Regression mit klaren Codebeispielen behandeln, die zeigen, wie jede dieser Funktionen ausgeführt wird. Fortgeschrittene Themen, die im Buch behandelt werden, sind Faltungsneuronale Netze und rekurrente Neuronale Netze.
Dieses Buch enthält die gesamte angewandte Mathematik und Programmierung, die Sie benötigen, um den Inhalt zu beherrschen. Die Beispiele reichen von einfach bis relativ komplex, wenn es nötig ist, um den Erwerb geeigneter Deep-Learning-Konzepte und -Konstrukte zu gewährleisten. Die Beispiele sind sorgfältig erklärt, prägnant, genau und vollständig, um die Entwicklung von Deep-Learning-Fähigkeiten perfekt zu ergänzen. Es wird darauf geachtet, dass Sie die grundlegenden Prinzipien des Deep Learning anhand von klaren, in Python geschriebenen Beispielen kennenlernen, die Sie mit Google Colab bequem von zu Hause oder vom Büro aus ausprobieren und damit experimentieren können.
Was Sie lernen werden
⬤ Machen Sie sich mit den grundlegenden Konzepten und Konstrukten des angewandten Deep Learning vertraut.
⬤ Erstellen Sie maschinelle Lernmodelle mit sauberem und zuverlässigem Python-Code.
⬤ Arbeiten Sie mit Datensätzen, die für Deep Learning-Anwendungen üblich sind.
⬤ Daten für die Nutzung von TensorFlow vorbereiten.
⬤ Nutzen Sie die Vorteile von Google Colabs eingebauter Unterstützung für Deep Learning.
⬤ Deep-Learning-Experimente mit einer Vielzahl von neuronalen Netzwerkmodellen durchführen.
⬤ Google Colab direkt in Ihr Google Drive Konto einbinden können.
⬤ Visualisieren Sie die Trainings- und Testleistung, um die Modellanpassung zu sehen.
Für wen ist dieses Buch gedacht?
Leser, die die beliebte Deep-Learning-Plattform TensorFlow 2.x erlernen wollen, diejenigen, die Deep-Learning-Grundlagen beherrschen wollen, die manchmal in der Eile, produktiv zu sein, übersprungen werden, und diejenigen, die Kompetenz mit einem modernen Cloud-Service-Tool wie Google Colab aufbauen wollen.
| ISBN: | 9781484266489 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 264 |
Derzeit verfügbar, auf Lager.
