Avis des lecteurs
Résumé:Le livre est généralement bien accueilli pour son approche pratique de l'apprentissage profond, en particulier pour les programmeurs Java. Il couvre un large éventail de sujets liés à l'apprentissage profond et au cadre DL4J, ce qui le rend accessible aux praticiens. Cependant, il a été critiqué pour son manque de profondeur dans les explications théoriques et pour ses problèmes de clarté du code. Certains lecteurs ont également exprimé des inquiétudes quant à l'accent mis sur Java et à quelques oublis éditoriaux.
Avantages:⬤ Excellente approche pratique pour l'application de l'apprentissage profond dans des projets réels.
⬤ Fournit un aperçu conceptuel clair des architectures d'apprentissage profond.
⬤ Facile à comprendre, même pour ceux qui n'ont pas de solides connaissances en mathématiques.
⬤ Contient des informations précieuses sur l'utilisation du cadre DL4J et de ses applications.
⬤ Utile pour acquérir des connaissances théoriques et appliquées lorsqu'il est associé à des textes plus théoriques.
⬤ Manque de profondeur dans les explications théoriques, ce qui peut être déroutant pour les débutants.
⬤ Les exemples de code sont uniquement en Java, ce qui limite l'accessibilité pour les développeurs Python.
⬤ Certains lecteurs ont trouvé des fautes de frappe et des erreurs dès le début, ce qui soulève des inquiétudes quant à la qualité de l'édition.
⬤ Le saut entre les concepts de base et les concepts avancés peut laisser les lecteurs perdus.
⬤ Certains lecteurs ont estimé que le contenu était trop superficiel et qu'il s'agissait plutôt d'une reprise de documents en ligne.
(basé sur 38 avis de lecteurs)
Titre original :
Deep Learning: A Practitioner's Approach
Contenu du livre :
Bien que l'intérêt pour l'apprentissage automatique ait atteint un point culminant, les attentes démesurées sabordent souvent les projets avant qu'ils n'aillent très loin. Comment l'apprentissage automatique, et plus particulièrement les réseaux neuronaux profonds, peuvent-ils faire une réelle différence dans votre organisation ? Ce guide pratique fournit non seulement les informations les plus pratiques disponibles sur le sujet, mais il vous aide également à construire des réseaux d'apprentissage profond efficaces.
Les auteurs Adam Gibson et Josh Patterson présentent la théorie de l'apprentissage profond avant d'introduire leur bibliothèque open-source Deeplearning4j (DL4J) pour développer des flux de travail de classe production. Grâce à des exemples concrets, vous apprendrez des méthodes et des stratégies pour former des architectures de réseaux profonds et exécuter des flux de travail d'apprentissage profond sur Spark et Hadoop avec DL4J.
⬤ Plongez dans les concepts de l'apprentissage automatique en général, ainsi que dans l'apprentissage profond en particulier.
⬤ Comprendre comment les réseaux profonds ont évolué à partir des principes fondamentaux des réseaux neuronaux.
⬤ Explorer les principales architectures de réseaux profonds, y compris les architectures convolutives et récurrentes.
⬤ Apprendre à mettre en correspondance des réseaux profonds spécifiques avec le bon problème.
⬤ Apprendre les principes fondamentaux de l'optimisation des réseaux neuronaux généraux et des architectures de réseaux profonds spécifiques.
⬤ Utiliser les techniques de vectorisation pour différents types de données avec DataVec, l'outil de flux de travail de DL4J.
⬤ Apprendre à utiliser DL4J en mode natif sur Spark et Hadoop.
Autres informations sur le livre :
| ISBN : | 9781491914250 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2017 |
| Nombre de pages : | 536 |
Achat:
Actuellement disponible, en stock.
