Bewertung:
Das Buch wird allgemein für seinen praktischen Ansatz zum Deep Learning gelobt, insbesondere für Java-Programmierer. Es deckt ein breites Spektrum an Themen im Zusammenhang mit Deep Learning und dem DL4J-Framework ab und ist damit auch für Praktiker zugänglich. Es wurde jedoch kritisiert, dass es bei den theoretischen Erklärungen an Tiefe mangelt und dass es Probleme mit der Klarheit des Codes gibt. Einige Leser äußerten auch Bedenken wegen der Konzentration auf Java und einiger redaktioneller Versehen.
Vorteile:⬤ Ausgezeichneter praktischer Ansatz für die Anwendung von Deep Learning in realen Projekten.
⬤ Bietet einen klaren konzeptionellen Überblick über Deep-Learning-Architekturen.
⬤ Leicht verständlich, auch für diejenigen, die keinen starken mathematischen Hintergrund haben.
⬤ Enthält wertvolle Einblicke in die Nutzung des DL4J-Frameworks und seiner Anwendungen.
⬤ Nützlich, um sowohl theoretische als auch angewandte Erkenntnisse zu gewinnen, wenn man es mit theoretischeren Texten kombiniert.
⬤ Es fehlt an Tiefe in den theoretischen Erklärungen, was für Anfänger verwirrend sein kann.
⬤ Code-Beispiele sind ausschließlich in Java, was die Zugänglichkeit für Python-Entwickler einschränkt.
⬤ Einige Leser entdeckten schon früh Tippfehler und Fehler, was Bedenken hinsichtlich der Qualität des Lektorats aufkommen lässt.
⬤ Das Springen zwischen grundlegenden und fortgeschrittenen Konzepten kann den Leser verwirren.
⬤ Einige Rezensenten waren der Meinung, der Inhalt sei zu oberflächlich und eher ein Aufguss von Online-Materialien.
(basierend auf 38 Leserbewertungen)
Deep Learning: A Practitioner's Approach
Obwohl das Interesse an maschinellem Lernen einen Höhepunkt erreicht hat, werden Projekte oft durch überzogene Erwartungen zunichte gemacht, bevor sie weit kommen. Wie kann maschinelles Lernen - insbesondere tiefe neuronale Netze - in Ihrem Unternehmen einen echten Unterschied machen? Dieser praktische Leitfaden bietet nicht nur die meisten praktischen Informationen zu diesem Thema, sondern hilft Ihnen auch beim Aufbau effizienter Deep-Learning-Netzwerke.
Die Autoren Adam Gibson und Josh Patterson stellen zunächst die Theorie des Deep Learning vor, bevor sie ihre Open-Source-Bibliothek Deeplearning4j (DL4J) zur Entwicklung von Workflows der Produktionsklasse vorstellen. Anhand von Beispielen aus der Praxis lernen Sie Methoden und Strategien für das Training von Deep-Network-Architekturen und die Ausführung von Deep-Learning-Workflows auf Spark und Hadoop mit DL4J kennen.
⬤ Tauchen Sie ein in Konzepte des maschinellen Lernens im Allgemeinen und des Deep Learning im Besonderen.
⬤ Verstehen Sie, wie sich tiefe Netzwerke aus den Grundlagen neuronaler Netze entwickelt haben.
⬤ Erforschen Sie die wichtigsten Deep-Network-Architekturen, einschließlich Convolutional und Recurrent.
⬤ Lernen Sie, wie Sie spezifische tiefe Netzwerke auf das richtige Problem abbilden können.
⬤ Grundlagen des Tunings allgemeiner neuronaler Netze und spezifischer Deep-Network-Architekturen kennenlernen.
⬤ Verwenden Sie Vektorisierungstechniken für verschiedene Datentypen mit DataVec, dem Workflow-Tool von DL4J.
⬤ Lernen Sie, wie Sie DL4J nativ auf Spark und Hadoop nutzen können.
| ISBN: | 9781491914250 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2017 |
| Seitenzahl: | 536 |
Derzeit verfügbar, auf Lager.
