Avis des lecteurs
Résumé:Ce livre est un guide pratique pour la mise en œuvre de modèles d'apprentissage profond à l'aide de Keras, idéal pour ceux qui sont déjà familiarisés avec l'apprentissage automatique. Il met l'accent sur les exemples de codage plutôt que sur la compréhension théorique, ce qui le rend adapté aux data scientists expérimentés. Cependant, il manque de profondeur dans la théorie et des problèmes de formatage ont été notés, ce qui pourrait nuire à l'expérience de lecture.
Avantages:** Il fournit des détails de mise en œuvre pratique et des exemples de modèles d'apprentissage profond à l'aide de Keras. ** Convient aux lecteurs qui comprennent déjà les concepts de l'apprentissage automatique. ** Couvre les recherches récentes et inclut des exemples bien documentés. ** Une introduction rapide et pratique à l'utilisation de Keras.
Inconvénients:** Manque de profondeur dans les explications théoriques et les mathématiques sous-jacentes. ** Le livre n'est pas très facile à lire et à comprendre, mais il a le mérite d'être accessible à tous. ** Mauvaise mise en page du livre, en particulier dans la version Kindle, avec des images et du code difficiles à lire. ** Certains lecteurs ont trouvé le prix trop élevé par rapport au niveau de contenu fourni.
(basé sur 42 avis de lecteurs)
Titre original :
Deep Learning with Keras
Contenu du livre :
Note de l'éditeur : Cette édition de 2017 est obsolète et n'est pas compatible avec TensorFlow 2 ni avec aucune des mises à jour les plus récentes des bibliothèques Python. Une nouvelle deuxième édition, mise à jour pour 2020 et présentant TensorFlow 2, l'API Keras, les CNN, les GAN, les RNN, le NLP et AutoML, vient d'être publiée.
Caractéristiques principales :
⬤ Mettre en œuvre divers algorithmes d'apprentissage profond dans Keras et voir comment l'apprentissage profond peut être utilisé dans les jeux.
⬤ Ce guide pratique présente des modèles d'apprentissage profond et des cas d'utilisation pratiques qui peuvent être mis en œuvre à l'aide de Keras.
⬤ Un guide pratique et concret avec des exemples du monde réel pour vous donner une base solide dans Keras.
Description du livre :
Ce livre commence par vous présenter les algorithmes d'apprentissage supervisé tels que la régression linéaire simple, le perceptron multicouche classique et les réseaux convolutifs profonds plus sophistiqués. Vous explorerez également le traitement d'images avec la reconnaissance d'images de chiffres manuscrits, la classification d'images en différentes catégories, et la reconnaissance avancée d'objets avec des annotations d'images connexes. Un exemple d'identification de points saillants pour la détection de visages est également fourni.
Ensuite, vous découvrirez les réseaux récurrents, qui sont optimisés pour le traitement des données séquentielles telles que le texte, l'audio ou les séries temporelles. Ensuite, vous découvrirez des algorithmes d'apprentissage non supervisé tels que les autoencodeurs et les très populaires réseaux adversoriels génératifs (GAN). Vous explorerez également des utilisations non traditionnelles des réseaux neuronaux comme le transfert de style.
Enfin, vous étudierez l'apprentissage par renforcement et son application aux jeux d'IA, une autre orientation populaire de la recherche et de l'application des réseaux neuronaux.
Ce que vous apprendrez
⬤ Optimiser les fonctions pas à pas d'un grand réseau neuronal à l'aide de l'algorithme de rétropropagation.
⬤ Les réseaux neuronaux peuvent être utilisés pour optimiser les fonctions étape par étape d'un grand réseau neuronal à l'aide de l'algorithme de rétropropagation.
⬤ Utiliser l'apprentissage profond pour le traitement de l'image et de l'audio.
⬤ Utiliser les réseaux de tenseurs neuronaux récursifs (RNTN) pour surpasser l'intégration de mots standard dans des cas particuliers.
⬤ Identifier les problèmes pour lesquels les solutions de réseaux neuronaux récurrents (RNN) sont appropriées.
⬤ Explorer le processus nécessaire à la mise en œuvre des autoencodeurs.
⬤ Faire évoluer un réseau neuronal profond à l'aide de l'apprentissage par renforcement.
A qui s'adresse ce livre :
Si vous êtes un data scientist avec de l'expérience dans l'apprentissage automatique ou un programmeur d'IA avec une certaine exposition aux réseaux neuronaux, vous trouverez ce livre comme un point d'entrée utile à l'apprentissage profond avec Keras. Une connaissance de Python est requise pour ce livre.
Autres informations sur le livre :
| ISBN : | 9781787128422 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
