Αν έχετε περιέργεια για την τεχνητή νοημοσύνη και την μηχανική μάθηση αλλά δεν ξέρετε από πού να ξεκινήσετε, αυτό είναι το βιβλίο που περιμένατε. Εστιάζοντας στο υποπεδίο της μηχανικής μάθησης που ονομάζεται βαθιά μάθηση, εξηγεί τις βασικές έννοιες και σας δίνει τα θεμέλια που χρειάζεστε για να αρχίσετε να δημιουργείτε τα δικά σας μοντέλα.

Αντί να παραθέτει απλώς συνταγές για τη χρήση υπαρχουσών εργαλείων, το Practical Deep Learning, 2nd Edition σας διδάσκει το γιατί της βαθιάς μάθησης και θα σας εμπνεύσει να εξερευνήσετε πιο πέρα. Το μόνο που χρειάζεται είναι η βασική γνώση προγραμματισμού και μαθηματικών λυκείου - το βιβλίο θα καλύψει τα υπόλοιπα.

Αφού κάνετε μια εισαγωγή στην Python, θα προχωρήσετε σε βασικά θέματα όπως πώς να δημιουργήσετε ένα καλό σύνολο εκπαίδευσης, να εργαστείτε με τις βιβλιοθήκες scikit-learn και Keras, και να αξιολογήσετε την απόδοση των μοντέλων σας.

Θα μάθετε: πώς να χρησιμοποιείτε κλασικά μοντέλα μηχανικής μάθησης όπως οι k-Nearest Neighbours, Random Forests και Support Vector Machines, πώς λειτουργούν τα νευρωνικά δίκτυα και πώς εκπαιδεύονται, πώς να χρησιμοποιείτε τα συνελικτικά νευρωνικά δίκτυα, καθώς και πώς να αναπτύξετε ένα επιτυχημένο μοντέλο βαθιάς μάθησης από την αρχή. Θα διεξάγετε πειράματα στην πορεία, οικοδομώντας σε μια τελική μελέτη περίπτωσης που ενσωματώνει όλα όσα έχετε μάθει.

Αυτή η δεύτερη έκδοση είναι πλήρως αναθεωρημένη και ενημερωμένη, και προσθέτει έξι νέα κεφάλαια για να προχωρήσετε την εξερεύνησή σας στη βαθιά μάθηση από βασικά CNN έως πιο προηγμένα μοντέλα. Τα νέα κεφάλαια καλύπτουν τη λεπτομερή ρύθμιση, τη μεταφορά μάθησης, την ανίχνευση αντικειμένων, τον σημασιολογικό διαχωρισμό, την πολυετικετοποίηση, τη μη εποπτευόμενη μάθηση, τα γενετικά αντίπαλα δίκτυα και τα μεγάλα γλωσσικά μοντέλα.

Η τέλεια εισαγωγή σε αυτόν τον δυναμικό, συνεχώς επεκτεινόμενο τομέα, το Practical Deep Learning, 2nd Edition θα σας δώσει τις δεξιότητες και την εμπιστοσύνη να βυθιστείτε στα δικά σας έργα μηχανικής μάθησης.

Σελίδες: 624, Διαστάσεις: 17.7x17.7cm