Învățarea profundă aplicată cu Python

Recenzii ale cititorilor

Cartea oferă o introducere practică în învățarea profundă cu proiecte practice și îndrumări clare, dar suferă de greșeli de scriere și de lipsa materialului introductiv, ceea ce poate deruta cititorii, în special pe cei noi în domeniu.

O introducere practică excelentă, o mulțime de proiecte, instrucțiuni clare pas cu pas și exemple bune. Foarte recomandat pentru entuziaștii Deep Learning și Python.

Numeroasele greșeli de scriere fac lectura dificilă, iar lipsa capitolelor introductive și a instrucțiunilor clare de instalare poate fi confuză pentru începători.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Applied Deep Learning with Python

Conținutul cărții:

Un ghid practic pentru învățarea profundă, care este plin de explicații intuitive și exemple practice captivante Caracteristici cheie Concepută pentru a dezvolta iterativ abilitățile utilizatorilor Python care nu au un background în știința datelor Acoperă conceptele fundamentale cheie pe care va trebui să le cunoașteți atunci când construiți sisteme de învățare profundă Plină de exerciții și activități pas cu pas pentru a vă ajuta să vă dezvoltați abilitățile de care aveți nevoie pentru lumea reală Descrierea cărții

Având o abordare care utilizează cele mai recente evoluții din ecosistemul Python, veți fi mai întâi ghidați prin ecosistemul Jupyter, biblioteci cheie de vizualizare și tehnici puternice de igienizare a datelor înainte de a antrena primul nostru model predictiv. Vom explora o varietate de abordări ale clasificării, cum ar fi rețelele vectoriale de suport, pădurile decizionale aleatorii și vecinii k-nearest pentru a vă dezvolta cunoștințele înainte de a trece la un teritoriu mai complex. Nu-i nimic dacă acești termeni par copleșitori; vă vom arăta cum să îi puneți în aplicare.

Ne vom baza pe acoperirea noastră de clasificare, aruncând o privire rapidă la web scraping etic și vizualizări interactive pentru a vă ajuta să vă adunați și să vă prezentați profesional analiza. După aceasta, vom începe să construim aplicația noastră cheie de învățare profundă, una care urmărește să prezică prețul viitor al Bitcoin pe baza datelor publice istorice.

Ghidându-vă printr-o rețea neuronală antrenată, vom explora arhitecturile comune ale rețelelor de învățare profundă (convoluțională, recurentă, generativă adversarială) și ne vom ramifica în învățarea profundă de întărire înainte de a ne scufunda în optimizarea și evaluarea modelului. Vom face toate acestea în timp ce lucrăm la o aplicație web gata de producție care combină Tensorflow și Keras pentru a produce un rezultat semnificativ ușor de utilizat, lăsându-vă cu toate abilitățile de care aveți nevoie pentru a aborda și dezvolta propriile proiecte de învățare profundă din lumea reală cu încredere și eficient. Ce veți învăța Descoperiți cum puteți asambla și curăța propriile seturi de date Dezvoltați o strategie personalizată de clasificare a învățării automate Construiți, antrenați și îmbunătățiți propriile modele pentru a rezolva probleme unice Lucrați cu cadre gata de producție precum Tensorflow și Keras Explicați cum funcționează rețelele neuronale în termeni clari și simpli Înțelegeți cum să vă implementați predicțiile pe web Pentru cine este această carte

Dacă sunteți un programator Python care pășește în lumea științei datelor, acesta este modul ideal de a începe. Cuprins Noțiuni de bază Jupyter Curățarea datelor și învățarea automată avansată Web Scraping și vizualizări interactive Introducere în rețelele neuronale și învățarea profundă Arhitectura modelului Evaluarea modelului Producția