Note :
Les critiques font l'éloge du livre pour ses explications claires des concepts d'apprentissage génératif profond et son contenu bien structuré, qui équilibre la théorie et les applications pratiques. Les lecteurs soulignent la profondeur des informations fournies sur les différents modèles génératifs et le style d'écriture attrayant de l'auteur. Cependant, il y a des critiques notables concernant la qualité des exemples de code dans l'édition Kindle et quelques problèmes avec l'exécution des démonstrations.
Avantages:⬤ Excellente structure et facile à suivre.
⬤ Explications claires de concepts complexes.
⬤ Bon équilibre entre la théorie et les exemples pratiques.
⬤ Couverture complète des modèles génératifs.
⬤ Style d'écriture engageant et humoristique.
⬤ Nombreux exemples de code bien sourcés et fonctionnels.
⬤ Mauvaise qualité des équations et des notations mathématiques dans l'édition Kindle.
⬤ Certains exemples de code sont difficiles à exécuter en raison de problèmes de compatibilité et de bibliothèques obsolètes.
⬤ Quelques évaluateurs ont noté que les résultats de l'entraînement des modèles ne correspondaient pas aux résultats escomptés.
⬤ Absence d'une section sur l'évaluation de la qualité des résultats générés.
(basé sur 24 avis de lecteurs)
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
La modélisation générative est l'un des sujets les plus brûlants de l'IA. Il est désormais possible d'apprendre à une machine à exceller dans des activités humaines telles que la peinture, l'écriture et la composition musicale. Grâce à ce livre pratique, les ingénieurs en apprentissage automatique et les scientifiques des données découvriront comment recréer certains des exemples les plus impressionnants de modèles d'apprentissage profond génératifs, tels que les autoencodeurs variationnels, les réseaux adversaires génératifs (GAN), les Transformers, les flux de normalisation et les modèles de diffusion.
L'auteur David Foster démontre le fonctionnement interne de chaque technique, en commençant par les bases de l'apprentissage profond avant de passer à certains des algorithmes les plus avant-gardistes dans le domaine. Grâce à des conseils et des astuces, vous comprendrez comment faire en sorte que vos modèles apprennent plus efficacement et deviennent plus créatifs.
⬤ Découvrez comment les autoencodeurs variationnels peuvent modifier les expressions faciales dans les photos.
⬤ Construisez des exemples pratiques de GAN à partir de zéro pour générer des images basées sur votre propre ensemble de données.
⬤ Créer des modèles génératifs autorégressifs, tels que les LSTM pour la génération de texte et les modèles PixelCNN pour la génération d'images.
⬤ Construire des modèles de génération de musique, en utilisant Transformers et MuseGAN.
⬤ Explorer le fonctionnement interne d'architectures de pointe telles que StyleGAN, VQ-VAE, BERT et GPT-3.
⬤ Plonger dans les applications pratiques actuelles des modèles génératifs tels que le transfert de style (CycleGAN, transfert de style neuronal) et les modèles multimodaux (CLIP et DALL. E 2) pour la génération de texte à partir d'images.
⬤ Comprendre comment les modèles génératifs peuvent aider les agents à accomplir des tâches dans un contexte d'apprentissage par renforcement.
⬤ Comprendre comment l'avenir de la modélisation générative pourrait évoluer, y compris comment les entreprises devront s'adapter pour tirer parti des nouvelles technologies.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)