La détection d'anomalies à l'aide de l'apprentissage profond basé sur Python : Avec Keras et Pytorch

Avis des lecteurs

Résumé:

Le livre a reçu des réactions négatives, les critiques exprimant leur déception quant à sa longueur et à la qualité de son contenu. Il a critiqué l'utilisation de grandes images qui gaspillent de l'espace et a remis en question les qualifications de l'un des auteurs. L'auteur a également exprimé sa méfiance à l'égard des critiques disponibles sur Amazon.

Avantages:

Les avantages du livre n'ont pas été mentionnés.

Inconvénients:

Le livre est excessivement long, avec des espaces vides inutiles et de grandes images. L'un des auteurs n'a pas les qualifications suffisantes. Le lecteur estime que le contenu est trompeur et que la qualité de l'édition est médiocre.

(basé sur 2 avis de lecteurs)

Titre original :

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Contenu du livre :

Utilisez ce guide du débutant facile à suivre pour comprendre comment l'apprentissage profond peut être appliqué à la tâche de détection d'anomalies. En utilisant Keras et PyTorch en Python, le livre se concentre sur la façon dont divers modèles d'apprentissage profond peuvent être appliqués à des tâches de détection d'anomalies semi-supervisées et non supervisées.

Ce livre commence par une explication de ce qu'est la détection d'anomalies, de son utilisation et de son importance. Après avoir couvert les méthodes statistiques et traditionnelles d'apprentissage automatique pour la détection d'anomalies en utilisant Scikit-Learn en Python, le livre fournit ensuite une introduction à l'apprentissage profond avec des détails sur la façon de construire et d'entraîner un modèle d'apprentissage profond dans Keras et PyTorch avant de se concentrer sur les applications des modèles d'apprentissage profond suivants à la détection d'anomalies : divers types d'autoencodeurs, machines de Boltzmann restreintes, RNN et LSTM, et réseaux convolutifs temporels. Le livre explore la détection d'anomalies non supervisée et semi-supervisée ainsi que les bases de la détection d'anomalies basée sur les séries temporelles.

À la fin du livre, vous aurez une compréhension approfondie de la tâche de base de la détection d'anomalies ainsi qu'un assortiment de méthodes pour aborder la détection d'anomalies, allant des méthodes traditionnelles à l'apprentissage profond. En outre, vous serez initié à Scikit-Learn et serez en mesure de créer des modèles d'apprentissage profond dans Keras et PyTorch.

Ce que vous apprendrez

⬤ Comprendre ce qu'est la détection d'anomalies et pourquoi elle est importante dans le monde d'aujourd'hui.

⬤ Se familiariser avec les approches statistiques et traditionnelles de l'apprentissage automatique pour la détection d'anomalies en utilisant Scikit-Learn.

⬤ Connaître les bases de l'apprentissage profond en Python en utilisant Keras et PyTorch.

⬤ Connaître les concepts de base de la science des données pour mesurer la performance d'un modèle : comprendre ce qu'est l'AUC, ce que signifient la précision et le rappel, et plus encore.

⬤ Appliquer l'apprentissage profond à la détection d'anomalies semi-supervisée et non supervisée.

A qui s'adresse ce livre ?

Les scientifiques des données et les ingénieurs en apprentissage automatique qui souhaitent apprendre les bases des applications de l'apprentissage profond dans la détection d'anomalies.

Autres informations sur le livre :

• ISBN : 9781484251768
• Auteur : Sridhar Alla
• Éditeur : Apress
• Reliure : Broché
• Année de publication : 2019
• Nombre de pages : 416