Tensorflow pour l'apprentissage profond : De la régression linéaire à l'apprentissage par renforcement

Note :   (3,5 sur 5)

Tensorflow pour l'apprentissage profond : De la régression linéaire à l'apprentissage par renforcement (Bharath Ramsundar)

Avis des lecteurs

Résumé:

Ce livre propose un guide d'introduction à TensorFlow et aux concepts d'apprentissage profond, avec des exemples pratiques et des explications claires. Cependant, il reçoit des critiques mitigées quant à sa profondeur, son organisation et sa rigueur mathématique.

Avantages:

De bonnes bases pour coder avec TensorFlow et comprendre les concepts d'apprentissage profond.
Contenu clair et riche, chapitres bien structurés.
Utile pour les ingénieurs en exercice et les nouveaux venus à TensorFlow.
Approche pratique avec des exemples de codage concrets.
Introduction attrayante qui motive les applications d'apprentissage profond.

Inconvénients:

Certains contenus sont perçus comme trop superficiels et précipités, manquant de profondeur dans des domaines critiques.
Erreurs techniques et bogues dans les exemples de code.
Certains lecteurs trouvent les explications mathématiques inadéquates.
Certains problèmes de livraison signalés, tels que des pages froissées.
Il existe des alternatives qui offrent une couverture plus complète du sujet.

(basé sur 25 avis de lecteurs)

Titre original :

Tensorflow for Deep Learning: From Linear Regression to Reinforcement Learning

Contenu du livre :

Apprenez à résoudre des problèmes complexes d'apprentissage automatique avec Tensorflow, le nouveau système révolutionnaire de Google pour l'apprentissage profond. Si vous avez des connaissances de base en algèbre linéaire et en calcul, ce livre pratique vous montre comment construire - et quand utiliser - des architectures d'apprentissage profond. Vous apprendrez à concevoir des systèmes capables de détecter des objets dans des images, de comprendre la parole humaine, d'analyser des vidéos et de prédire les propriétés de médicaments potentiels.

TensorFlow for Deep Learning enseigne les concepts à l'aide d'exemples pratiques et permet de comprendre les fondements de l'apprentissage profond à partir de la base. Ce livre est idéal pour les développeurs expérimentés qui sont à l'aise avec la conception de systèmes logiciels, mais pas nécessairement avec la création de systèmes d'apprentissage. Ce livre est également utile pour les scientifiques et autres professionnels qui sont à l'aise avec les scripts, mais pas nécessairement avec la conception d'algorithmes d'apprentissage.

⬤ Acquérir une connaissance approfondie de l'API et des primitives de TensorFlow.

⬤ Comprendre comment former et mettre au point des systèmes d'apprentissage automatique avec TensorFlow sur de grands ensembles de données.

⬤ Apprendre à utiliser TensorFlow avec les réseaux convolutifs, les réseaux récurrents, les LSTM et l'apprentissage par renforcement.

Autres informations sur le livre :

ISBN :9781491980453
Auteur :
Éditeur :
Reliure :Broché
Année de publication :2018
Nombre de pages :300

Achat:

Actuellement disponible, en stock.

Je l'achète!

Autres livres de l'auteur :

Apprentissage profond pour les sciences de la vie : Application de l'apprentissage profond à la...
L'apprentissage profond a déjà obtenu des...
Apprentissage profond pour les sciences de la vie : Application de l'apprentissage profond à la génomique, à la microscopie, à la découverte de médicaments, etc. - Deep Learning for the Life Sciences: Applying Deep Learning to Genomics, Microscopy, Drug Discovery, and More
Tensorflow pour l'apprentissage profond : De la régression linéaire à l'apprentissage par...
Apprenez à résoudre des problèmes complexes...
Tensorflow pour l'apprentissage profond : De la régression linéaire à l'apprentissage par renforcement - Tensorflow for Deep Learning: From Linear Regression to Reinforcement Learning

Les œuvres de l'auteur ont été publiées par les éditeurs suivants :

© 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)