Avis des lecteurs
Résumé:Ce livre s'adresse aux praticiens avancés de l'intelligence artificielle et de l'apprentissage profond, en fournissant une introduction approfondie aux architectures de réseaux neuronaux telles que MLP, CNN et RNN. Il propose des exemples pratiques et un code concis, mais suppose une solide connaissance de base de l'IA.
Avantages:⬤ Couverture complète des principaux types de réseaux neuronaux (MLP, CNN, RNN) avec des applications pratiques.
⬤ Introduction claire à Keras via TensorFlow pour la construction de modèles.
⬤ Des mises à jour significatives dans la nouvelle édition, ajoutant plus de 40 % de nouveau contenu.
⬤ Bon pour les praticiens avancés et ceux qui se situent entre les niveaux débutant et expert.
⬤ Explications simplifiées de concepts avancés tels que les GAN, les autoencodeurs et l'apprentissage par renforcement.
⬤ Un matériel qui fait autorité et qui est bien structuré.
⬤ Suppose que le lecteur possède une solide connaissance de base de l'IA et de l'apprentissage profond, ce qui peut constituer un obstacle pour les débutants.
⬤ Forte dépendance à l'égard de l'utilisation du GPU, non mentionnée dans la description du livre.
⬤ Couverture limitée en dehors de la vision par ordinateur, particulièrement insuffisante en ce qui concerne les sujets liés au NLP.
⬤ Certains utilisateurs ont signalé des problèmes techniques liés à l'exécution du code (par exemple, des problèmes de certificat SSL) qui ont entravé l'apprentissage.
⬤ Certaines explications manquent de profondeur et de cohérence, ce qui nécessite des ressources supplémentaires.
(basé sur 11 avis de lecteurs)
Titre original :
Advanced Deep Learning with TensorFlow 2 and Keras - Second Edition
Contenu du livre :
Deuxième édition mise à jour et révisée du guide best-seller de l'apprentissage profond avancé avec TensorFlow 2 et Keras Caractéristiques principales Explorez les techniques d'apprentissage profond les plus avancées qui conduisent aux résultats de l'IA moderne Nouvelle couverture de l'apprentissage profond non supervisé utilisant l'information mutuelle, la détection d'objets et la segmentation sémantique Entièrement mis à jour pour TensorFlow 2. x Description du livre
Advanced Deep Learning with TensorFlow 2 and Keras, Second Edition est une édition entièrement mise à jour du guide best-seller des techniques avancées d'apprentissage profond disponibles aujourd'hui. Révisée pour TensorFlow 2. x, cette édition vous présente l'aspect pratique de l'apprentissage profond avec de nouveaux chapitres sur l'apprentissage non supervisé utilisant l'information mutuelle, la détection d'objets (SSD) et la segmentation sémantique (FCN et PSPNet), vous permettant ainsi de créer vos propres projets d'IA de pointe.
En utilisant Keras comme bibliothèque d'apprentissage profond open-source, le livre présente des projets pratiques qui vous montrent comment créer une IA plus efficace avec les techniques les plus récentes.
Commençant par un aperçu des perceptrons multicouches (MLP), des réseaux neuronaux convolutifs (CNN) et des réseaux neuronaux récurrents (RNN), le livre présente ensuite des techniques plus pointues en explorant les architectures de réseaux neuronaux profonds, y compris ResNet et DenseNet, et en expliquant comment créer des autoencodeurs. Vous découvrirez ensuite les GAN et la manière dont ils peuvent débloquer de nouveaux niveaux de performance en matière d'IA.
Ensuite, vous découvrirez comment un autoencodeur variationnel (VAE) est mis en œuvre et comment les GAN et les VAE ont le pouvoir génératif de synthétiser des données qui peuvent être extrêmement convaincantes pour les humains. Vous apprendrez également à mettre en œuvre des DRL tels que le Deep Q-Learning et les Policy Gradient Methods, qui sont essentiels à de nombreux résultats modernes en IA. Ce que vous apprendrez Utiliser des techniques de maximisation de l'information mutuelle pour effectuer un apprentissage non supervisé Utiliser la segmentation pour identifier la classe par pixel de chaque objet dans une image Identifier à la fois la boîte englobante et la classe des objets dans une image en utilisant la détection d'objets Apprendre les blocs de construction pour les techniques avancées - MLPss, CNN et RNN Comprendre les réseaux neuronaux profonds - y compris ResNet et DenseNet Comprendre et construire des modèles autorégressifs - autoencodeurs, VAE et GAN Découvrir et mettre en œuvre des méthodes d'apprentissage par renforcement profond À qui ce livre s'adresse-t-il ?
Il ne s'agit pas d'un livre d'introduction, et la maîtrise de Python est donc nécessaire. Le lecteur doit également être familier avec certaines approches d'apprentissage automatique, et une expérience pratique avec DL sera également utile. La connaissance de Keras ou de TensorFlow 2.0 n'est pas requise mais est recommandée. Table des matières Introduction à l'apprentissage profond avancé avec Keras Réseaux neuronaux profonds Autoencodeurs Réseaux adversariaux génératifs (GAN) GAN améliorés GAN à représentation démêlée GAN interdomaines Autoencodeurs variationnels (VAE) Apprentissage par renforcement profond Méthodes de gradient politique Détection d'objets Segmentation sémantique Apprentissage non supervisé utilisant l'information mutuelle
Autres informations sur le livre :
| ISBN : | 9781838821654 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
