Învățarea profundă: A Practitioner's Approach

Recenzii ale cititorilor

Cartea este în general bine primită pentru abordarea sa practică a învățării profunde, în special pentru programatorii Java. Ea acoperă o gamă largă de subiecte legate de învățarea profundă și de cadrul DL4J, făcând-o accesibilă pentru practicieni. Cu toate acestea, a fost criticată pentru lipsa de profunzime în explicațiile teoretice și pentru faptul că are probleme cu claritatea codului. Unii cititori și-au exprimat, de asemenea, îngrijorarea cu privire la accentul pus pe Java și la câteva inadvertențe editoriale.

⬤ Excelentă abordare practică pentru aplicarea învățării profunde în proiecte reale.
⬤ Oferă o prezentare conceptuală clară a arhitecturilor de învățare profundă.
⬤ Ușor de înțeles, chiar și pentru cei care nu au o pregătire matematică solidă.
⬤ Conține informații valoroase pentru utilizarea cadrului DL4J și a aplicațiilor sale.
⬤ Util pentru a obține atât perspective teoretice, cât și aplicative atunci când este asociat cu texte mai teoretice.

⬤ Lipsă de profunzime în explicațiile teoretice, care pot fi confuze pentru începători.
⬤ Exemplele de cod sunt exclusiv în Java, limitând accesibilitatea pentru dezvoltatorii Python.
⬤ Unii cititori au găsit de timpuriu greșeli de scriere și erori, ridicând îngrijorări cu privire la calitatea editării.
⬤ Saltul între conceptele de bază și cele avansate îi poate lăsa pe cititori pierduți.
⬤ Unii recenzenți au considerat că conținutul este prea superficial și mai mult o reluare a materialelor online.

(pe baza a 38 recenzii ale cititorilor)

Titlul original:

Deep Learning: A Practitioner's Approach

Conținutul cărții:

Deși interesul pentru învățarea mecanică a atins un punct culminant, așteptările exagerate deseori anulează proiectele înainte ca acestea să ajungă prea departe. Cum poate învățarea automată - în special rețelele neuronale profunde - să facă o diferență reală în organizația dumneavoastră? Acest ghid practic nu numai că oferă cele mai practice informații disponibile pe această temă, dar vă ajută și să începeți să construiți rețele eficiente de învățare profundă.

Autorii Adam Gibson și Josh Patterson oferă teorie despre învățarea profundă înainte de a prezenta biblioteca lor open-source Deeplearning4j (DL4J) pentru dezvoltarea fluxurilor de lucru de clasă de producție. Prin exemple din lumea reală, veți învăța metode și strategii pentru instruirea arhitecturilor de rețele profunde și rularea fluxurilor de lucru de învățare profundă pe Spark și Hadoop cu DL4J.

⬤ Să pătrundeți în conceptele de învățare automată în general, precum și în învățarea profundă în special.

⬤ Înțelegeți cum au evoluat rețelele profunde de la fundamentele rețelelor neuronale.

⬤ Explorați principalele arhitecturi ale rețelelor profunde, inclusiv convoluționale și recurente.

⬤ Învățați cum să cartografiați rețele adânci specifice pentru problema potrivită.

⬤  Parcurgeți elementele fundamentale ale reglării rețelelor neuronale generale și a arhitecturilor specifice rețelelor profunde.

⬤ Utilizați tehnici de vectorizare pentru diferite tipuri de date cu DataVec, instrumentul de flux de lucru al DL4J.

⬤ Învățați cum să utilizați DL4J nativ pe Spark și Hadoop.