Recenzii ale cititorilor
Rezumat:Recenzile laudă cartea pentru explicațiile clare ale conceptelor generative de învățare profundă și pentru conținutul său bine structurat, care echilibrează teoria cu aplicațiile practice. Cititorii evidențiază profunzimea informațiilor furnizate cu privire la diverse modele generative și stilul de scriere captivant al autorului. Cu toate acestea, există critici notabile cu privire la calitatea exemplelor de cod din ediția Kindle și unele probleme cu rularea demo-urilor.
Avantaje:⬤ Structură excelentă și ușor de urmărit.
⬤ Explicații clare ale conceptelor complexe.
⬤ Echilibru bun între teorie și exemple practice.
⬤ Acoperire cuprinzătoare a modelelor generative.
⬤ Stil de scriere captivant și plin de umor.
⬤ Numeroase exemple de coduri de lucru bine documentate.
Dezavantaje:⬤ Calitatea slabă a ecuațiilor și notațiilor matematice din ediția Kindle.
⬤ Unele exemple de cod sunt dificil de executat din cauza problemelor de compatibilitate și a bibliotecilor învechite.
⬤ Câțiva recenzenți au observat că rezultatele de formare ale modelelor nu corespund cu rezultatele așteptate.
⬤ Lipsa unei secțiuni privind evaluarea calității rezultatelor generate.
(pe baza a 24 recenzii ale cititorilor)
Titlul original:
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
Conținutul cărții:
Modelarea generativă este unul dintre cele mai fierbinți subiecte din domeniul inteligenței artificiale. Acum este posibil să învățăm o mașină să exceleze în activități umane precum pictura, scrisul și compunerea muzicii. Cu ajutorul acestei cărți practice, inginerii din domeniul învățării automate și oamenii de știință din domeniul datelor vor descoperi cum să recreeze unele dintre cele mai impresionante exemple de modele generative de învățare profundă, cum ar fi autocodurile variaționale, rețelele adversariale generative (GAN), transformatoarele, fluxurile normalizatoare și modelele de difuzie.
Autorul David Foster demonstrează mecanismele interne ale fiecărei tehnici, începând cu elementele de bază ale învățării profunde înainte de a avansa la unii dintre cei mai de vârf algoritmi din domeniu. Prin sfaturi și trucuri, veți înțelege cum să vă faceți modelele să învețe mai eficient și să devină mai creative.
⬤ Descoperiți cum autoencoderii variaționali pot schimba expresiile faciale în fotografii.
⬤ Construiți exemple practice GAN de la zero pentru a genera imagini bazate pe propriul set de date.
⬤ Creați modele generative autoregresive, cum ar fi LSTM pentru generarea de text și modele PixelCNN pentru generarea de imagini.
⬤ Construiți modele de generare a muzicii, utilizând Transformers și MuseGAN.
⬤ Explorați funcționarea internă a arhitecturilor de ultimă generație, precum StyleGAN, VQ-VAE, BERT și GPT-3.
⬤ Explorați aplicațiile practice actuale ale modelelor generative, cum ar fi transferul de stil (CycleGAN, transferul neuronal de stil) și modelele multimodale (CLIP și DALL. E 2) pentru generarea textului în imagine.
⬤ Înțelegerea modului în care modelele generative pot ajuta agenții să îndeplinească sarcini în cadrul unui cadru de învățare prin consolidare.
⬤ Înțelegeți cum ar putea evolua viitorul modelării generative, inclusiv modul în care întreprinderile vor trebui să se adapteze pentru a profita de noile tehnologii.
