Beginning Anomaly Detection Using Python-Based Deep Learning: Cu Keras și Pytorch

Recenzii ale cititorilor

Cartea a primit reacții negative, recenzenții exprimându-și dezamăgirea cu privire la lungimea și calitatea conținutului acesteia. Acesta a criticat utilizarea de imagini mari care iroseau spațiul și a pus la îndoială calificările unuia dintre autori. De asemenea, recenzentul și-a exprimat neîncrederea în recenziile disponibile pe Amazon.

Beneficiile cărții nu au fost raportate.

Cartea este excesiv de lungă, cu spații goale inutile și imagini mari. Unul dintre autori nu are calificări suficiente. Recenzentul consideră conținutul înșelător și consideră că calitatea publicării este slabă.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Conținutul cărții:

Utilizați acest ghid ușor de urmat pentru începători pentru a înțelege modul în care învățarea profundă poate fi aplicată la sarcina de detectare a anomaliilor. Folosind Keras și PyTorch în Python, cartea se concentrează pe modul în care diverse modele de învățare profundă pot fi aplicate sarcinilor de detectare a anomaliilor semi-supravegheate și nesupravegheate.

Această carte începe cu o explicație a ceea ce este detectarea anomaliilor, pentru ce este utilizată și importanța sa. După acoperirea metodelor statistice și tradiționale de învățare automată pentru detectarea anomaliilor folosind Scikit-Learn în Python, cartea oferă apoi o introducere în învățarea profundă cu detalii despre cum să construiți și să antrenați un model de învățare profundă atât în Keras, cât și în PyTorch, înainte de a muta accentul pe aplicațiile următoarelor modele de învățare profundă pentru detectarea anomaliilor: diverse tipuri de Autoencodere, Mașini Boltzmann restricționate, RNN-uri și LSTM-uri și Rețele convoluționale temporale. Cartea explorează detectarea nesupravegheată și semisupravegheată a anomaliilor, împreună cu elementele de bază ale detectării anomaliilor bazate pe serii temporale.

Până la sfârșitul cărții, veți avea o înțelegere aprofundată a sarcinii de bază de detectare a anomaliilor, precum și o gamă variată de metode de abordare a detectării anomaliilor, de la metodele tradiționale la învățarea profundă. În plus, sunteți introdus în Scikit-Learn și sunteți capabil să creați modele de învățare profundă în Keras și PyTorch.

Ce veți învăța

⬤ Înțelegeți ce este detectarea anomaliilor și de ce este importantă în lumea de astăzi.

⬤ Să vă familiarizați cu abordările statistice și tradiționale de învățare automată pentru detectarea anomaliilor utilizând Scikit-Learn.

⬤ Cunoașteți elementele de bază ale învățării profunde în Python utilizând Keras și PyTorch.

⬤ Să cunoască conceptele de bază ale științei datelor pentru măsurarea performanței unui model: să înțeleagă ce este AUC, ce înseamnă precizia și amintirea și multe altele.

⬤ Aplicați învățarea profundă la detectarea semi-supervisată și nesupervisată a anomaliilor.

Pentru cine este această carte

Oameni de știință de date și ingineri de învățare automată interesați să învețe elementele de bază ale aplicațiilor de învățare profundă în detectarea anomaliilor.