L'atelier sur l'apprentissage profond avec Keras : Apprenez à définir et à entraîner des modèles de réseaux neuronaux avec seulement quelques lignes de code.

Avis des lecteurs

Résumé:

Le livre « The Deep Learning with Keras Workshop » est loué pour être une ressource pratique qui enseigne efficacement aux utilisateurs comment construire des réseaux neuronaux à l'aide de Keras et TensorFlow. Il est accessible aux débutants tout en étant utile à ceux qui ont des connaissances préalables en apprentissage automatique et en Python. Le livre est bien structuré, offre des explications claires et fournit de nombreux exemples de code et de visualisations.

Avantages:

⬤ Approche pratique avec des instructions claires, étape par étape.
⬤ Des chapitres bien structurés qui s'appuient les uns sur les autres.
⬤ Facile à comprendre avec de bonnes visualisations et des exemples de code.
⬤ Couvre les aspects essentiels de l'apprentissage profond, y compris le prétraitement des données et l'évaluation des modèles.
⬤ Accessible aux débutants et utile à ceux qui ont un peu d'expérience.

Inconvénients:

⬤ Une connaissance préalable de Python et de l'algèbre linéaire est recommandée.
⬤ Ne couvre pas nécessairement les théories mathématiques approfondies, ce qui pourrait inciter les lecteurs plus expérimentés à souhaiter des discussions plus détaillées.

(basé sur 8 avis de lecteurs)

Titre original :

The Deep Learning with Keras Workshop: Learn how to define and train neural network models with just a few lines of code

Contenu du livre :

Découvrez comment tirer parti de Keras, la bibliothèque Python open source puissante et facile à utiliser pour développer et évaluer des modèles d'apprentissage profond.

Caractéristiques principales

⬤ Prise en main de diverses mesures d'évaluation de modèles, y compris la sensibilité, la spécificité et les scores AUC.

⬤ Vous pourrez également explorer des concepts avancés tels que la mémoire séquentielle et la modélisation séquentielle.

⬤ Vous pouvez également vous familiariser avec les concepts avancés tels que la mémoire séquentielle et la modélisation séquentielle, et renforcer vos compétences à l'aide d'exemples concrets, de screencasts et de contrôles de connaissances.

Description du livre

Les nouvelles expériences peuvent être intimidantes, mais pas celle-ci. Ce guide d'apprentissage profond pour débutants est là pour vous aider à explorer l'apprentissage profond à partir de zéro avec Keras, et à être sur la bonne voie pour former vos tout premiers réseaux neuronaux.

Keras se distingue des autres frameworks d'apprentissage profond par sa simplicité. Avec plus de 200 000 utilisateurs, Keras est plus largement adopté par l'industrie et la communauté des chercheurs que n'importe quel autre framework d'apprentissage profond.

L'atelier Deep Learning with Keras commence par vous présenter les concepts fondamentaux de l'apprentissage automatique à l'aide du package scikit-learn. Après avoir appris à effectuer les transformations linéaires nécessaires à la construction de réseaux neuronaux, vous construirez votre premier réseau neuronal avec la bibliothèque Keras. Au fur et à mesure de votre progression, vous apprendrez à construire des réseaux neuronaux multicouches et à reconnaître si votre modèle est sous-adapté ou suradapté aux données d'apprentissage. À l'aide d'exercices pratiques, vous apprendrez à utiliser les techniques de validation croisée pour évaluer vos modèles, puis à choisir les hyperparamètres optimaux pour affiner leurs performances. Enfin, vous explorerez les réseaux neuronaux récurrents et apprendrez à les entraîner à prédire des valeurs dans des données séquentielles.

À la fin de cet ouvrage, vous aurez acquis les compétences nécessaires pour former en toute confiance vos propres modèles de réseaux neuronaux.

Ce que vous apprendrez

⬤ Appréhender les principes fondamentaux des réseaux neuronaux.

⬤ Comprendre les limites de l'apprentissage automatique et en quoi il diffère de l'apprentissage profond.

⬤ Construire des classificateurs d'images avec des réseaux neuronaux convolutifs.

⬤ Évaluer, peaufiner et améliorer vos modèles à l'aide de techniques telles que la validation croisée.

⬤ Créer des modèles de prédiction pour détecter des modèles de données et faire des prédictions.

⬤ Améliorer la précision des modèles grâce à la régularisation L1, L2 et dropout.

A qui s'adresse ce livre ?

Si vous connaissez les bases de la science des données et de l'apprentissage automatique et que vous souhaitez vous initier aux technologies avancées d'apprentissage automatique telles que les réseaux neuronaux artificiels et l'apprentissage profond, ce livre est fait pour vous. Pour mieux comprendre les concepts expliqués dans ce livre sur l'apprentissage profond, une expérience préalable de la programmation Python et une certaine familiarité avec les statistiques et la régression logistique sont indispensables.

Autres informations sur le livre :

• ISBN : 9781800562967
• Auteur : Matthew Moocarme
• Éditeur : Packt Pub
• Reliure : Broché