Avis des lecteurs
Résumé:Ce livre propose une introduction abordable et pratique à l'apprentissage profond, couvrant les principes fondamentaux avec une profondeur technique. De nombreux lecteurs le trouvent bien structuré et pédagogique, ce qui le rend adapté à la fois aux ingénieurs et aux amateurs. Cependant, certains critiques lui reprochent de manquer de profondeur dans les exemples d'application et affirment qu'il ne fournit pas d'informations utiles au-delà de ce qui est disponible gratuitement en ligne.
Avantages:Introduction très accessible, couverture complète des principes fondamentaux, guide pratique avec des exemples de code, aide à développer l'intuition, bien structuré et pédagogique.
Inconvénients:Certains trouvent qu'il n'est ni pratique ni utile, qu'il manque d'applications complètes ; les critiques portent notamment sur le fait que des informations similaires sont disponibles gratuitement en ligne.
(basé sur 5 avis de lecteurs)
Titre original :
Practical Deep Learning: A Python-Based Introduction
Contenu du livre :
L'apprentissage profond pratique enseigne aux débutants comment construire les ensembles de données et les modèles nécessaires pour former des réseaux neuronaux pour vos propres projets d'apprentissage profond.
Si vous êtes curieux de l'apprentissage automatique mais ne savez pas par où commencer, voici le livre que vous attendiez. Se concentrant sur le sous-domaine de l'apprentissage automatique connu sous le nom d'apprentissage profond, il explique les concepts fondamentaux et vous donne les bases dont vous avez besoin pour commencer à construire vos propres modèles. Plutôt que d'exposer simplement des recettes pour utiliser les boîtes à outils existantes, Practical Deep Learning vous enseigne le pourquoi de l'apprentissage profond et vous incitera à l'explorer davantage.
Tout ce dont vous avez besoin, c'est d'une connaissance de base de la programmation informatique et des mathématiques du secondaire, le livre se chargeant du reste. Après une introduction à Python, vous aborderez des sujets clés tels que la construction d'un bon ensemble de données d'entraînement, l'utilisation des bibliothèques scikit-learn et Keras, et l'évaluation des performances de vos modèles.
Vous apprendrez également :
- Comment utiliser les modèles classiques d'apprentissage automatique tels que les k-voisins les plus proches, les forêts aléatoires et les machines à vecteurs de support.
- Le fonctionnement des réseaux neuronaux et leur formation.
- Comment utiliser les réseaux neuronaux convolutifs.
- Comment développer un modèle d'apprentissage profond performant à partir de zéro.
Vous mènerez des expériences en cours de route, pour aboutir à une étude de cas finale qui intègre tout ce que vous avez appris.
Introduction parfaite à ce domaine dynamique et en constante expansion, Practical Deep Learning vous donnera les compétences et la confiance nécessaires pour vous lancer dans vos propres projets d'apprentissage automatique.
Autres informations sur le livre :
| ISBN : | 9781718500747 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 450 |
Achat:
Actuellement disponible, en stock.
