Recenzii ale cititorilor
Rezumat:Cartea oferă perspective practice pentru punerea în aplicare a învățării automate, concentrându-se în special asupra rețelelor de credință profundă. Cu toate acestea, calitatea sa este pătată de numeroase greșeli de scriere și explicații slabe, împreună cu o lipsă de conținut original în toate volumele. În timp ce unii cititori au găsit-o utilă pentru învățare, alții au criticat-o pentru că este un efort auto-publicat de calitate scăzută.
Avantaje:⬤ Practică și pătrunzătoare
⬤ oferă o bună înțelegere a implementării învățării automate
⬤ conține exemple de cod C++ utile
⬤ îmbunătățește înțelegerea rețelelor de credință profundă
⬤ lăudată de unii ca o resursă absolut uimitoare care îmbunătățește viteza de execuție și precizia.
Dezavantaje:⬤ Calitate slabă a scrierii, cu multe greșeli de scriere și explicații confuze
⬤ conținutul pare să fie reciclat în mai multe volume
⬤ include prea multă documentație de cod
⬤ nu are diagrame și imagini clare
⬤ mulți recomandă resurse mai bune disponibile online sau prin alte mijloace.
(pe baza a 11 recenzii ale cititorilor)
Conținutul cărții:
Descoperiți elementele de bază esențiale ale celor mai comune forme de rețele de credință profunde. La fiecare pas, această carte oferă o motivație intuitivă, un rezumat al celor mai importante ecuații relevante pentru subiect și se încheie cu un cod foarte comentat pentru calculul threaded pe procesoare moderne, precum și pentru procesarea paralelă masivă pe computere cu plăci de afișare video compatibile CUDA.
Primul din cele trei dintr-o serie despre învățarea profundă și rețelele de convingere C++ și CUDA C, Deep Belief Nets in C++ and CUDA C: Volume 1 vă arată cum structura acestor modele elegante este mult mai apropiată de cea a creierului uman decât rețelele neuronale tradiționale; ele au un proces de gândire capabil să învețe concepte abstracte construite din primitive mai simple. Ca atare, veți vedea că o rețea de credință profundă tipică poate învăța să recunoască modele complexe prin optimizarea a milioane de parametri, dar acest model poate fi totuși rezistent la supraadaptare.
Toate rutinele și algoritmii prezentați în carte sunt disponibili în codul de descărcare, care conține și câteva biblioteci de rutine conexe.
Ce veți învăța
⬤ Emplementați învățarea profundă utilizând C++ și CUDA C.
⬤ Lucrați cu rețele feedforward supravegheate.
⬤ Implementarea mașinilor Boltzmann restricționate.
⬤ Utilizați eșantionări generative.
⬤ Descoperă de ce sunt acestea importante.
Pentru cine este această carte
Cei care au cel puțin o cunoaștere de bază a rețelelor neuronale și o anumită experiență anterioară de programare, deși se recomandă ceva C++ și CUDA C.
