Najnowsze artykuły
- ArtykułySkandynawski kryminał trzyma się solidnie. Michael Katz Krefeld o „Wykolejonym”Ewa Cieślik1
- ArtykułyTargi Książki i Mediów VIVELO już 16–19 maja w Warszawie. Jakie atrakcje czekają na odwiedzających?LubimyCzytać1
- ArtykułyCzternaście książek na nowy tydzień. Silne emocje gwarantowane!LubimyCzytać2
- ArtykułyKsiążki o przyrodzie: daj się ponieść pięknu i sile natury podczas lektury!Anna Sierant8
Popularne wyszukiwania
Polecamy
Adam Gibson
1
4,4/10
Pisze książki: informatyka, matematyka
Helion.pl » Uczenie maszynowe
Codziennie inna książka 30% taniej
Deep Learning. Praktyczne wprowadzenie
Autorzy:
Josh Patterson, Adam Gibson
Okładka książki Deep Learning. Praktyczne wprowadzenie
Obróć
Zajrzyj do książki
Wydawnictwo:
Helion
Ocena:
3.0/6 Opinie: 1
Stron:
456
Druk:
oprawa miękka
Książka
77,00 zł
Dodaj do koszyka Wysyłamy w 24h
Ebook
77,00 zł
61,60 zł
Dodaj do koszyka lub Kup 1-kliknięciem
Poleć tę książkę znajomemu
Poleć tę książkę znajomemu!!
Przenieś na półkę
Do przechowalni
Opis książki
Często kupowane razem
Ocena (3.0/6) i opinie (1)
Szczegóły książki
Spis treści
Przykłady do książki
Opis książki
Czytaj fragment
Technologie wykorzystujące różne formy uczenia maszynowego zaczynają pojawiać się w różnych branżach. Możliwości w tym zakresie stale rosną, podobnie jak zainteresowanie i oczekiwania. Przed podjęciem decyzji o wdrożeniu w firmie tego rodzaju rozwiązań trzeba jednak zadać sobie pytanie, co można i co chciałoby się osiągnąć za pomocą sieci neuronowej. Generalnie uczenie maszynowe opiera się na algorytmach wyodrębniania informacji z surowych danych i reprezentowania ich jako modelu. Model ten następnie służy do przetwarzania kolejnych surowych danych. Co to jednak oznacza w praktyce i jak się implementuje takie algorytmy?
Niniejsza książka jest przydatnym przewodnikiem po uczeniu maszynowym i sieciach neuronowych. Zawiera praktyczne informacje, które doceni każdy programista stawiający pierwsze kroki w tej dziedzinie. Przedstawiono tu podstawy deep learningu i wyjaśniono takie pojęcia, jak strojenie sieci, wielowątkowość, wektoryzowanie danych. Opisano, w jaki sposób można wykorzystać otwartą bibliotekę Deeplearning4j (DL4J) do kodowania profesjonalnych procesów uczenia głębokiego. Zaprezentowano metody i strategie trenowania sieci głębokich i uruchamiania procesów uczenia głębokiego w środowiskach Spark i Hadoop. Zagadnienia te zostały zilustrowane gotowymi do zastosowania, praktycznymi przykładami.
W tej książce między innymi:
ogólne koncepcje uczenia maszynowego, uczenia głębokiego i sieci neuronowych
ewolucja sieci neuronowych do sieci głębokich i ich rodzaje
dobieranie rodzaju sieci do analizowanego zagadnienia
strojenie sieci neuronowych i sieci głębokich
korzystanie z narzędzia DataVec do wektoryzowania danych różnych typów
stosowanie biblioteki DL4J w środowiskach Spark i Hadoop
Uczenie głębokie i sieci neuronowe: przyszłość, która dzieje się dziś!
Selling helion.pl
O autorach
Josh Patterson jest uznanym autorytetem w dziedzinie przetwarzania wielkich ilości danych, uczenia maszynowego i uczenia głębokiego. Aktywnie działa na rzecz tworzenia otwartego oprogramowania, uczestniczy w takich projektach jak DL4J, Apache Mahout, Metronome, IterativeReduce, openPDC i JMotif
Adam Gibson specjalizuje się w uczeniu głębokim. Ma duże doświadczenie w budowaniu systemów do przetwarzania dużych ilości danych w czasie rzeczywistym. Z jego rozwiązań korzystają m.in. firmy z listy Fortune 500, towarzystwa ubezpieczeniowe, firmy public relations i startupy.
Codziennie inna książka 30% taniej
Deep Learning. Praktyczne wprowadzenie
Autorzy:
Josh Patterson, Adam Gibson
Okładka książki Deep Learning. Praktyczne wprowadzenie
Obróć
Zajrzyj do książki
Wydawnictwo:
Helion
Ocena:
3.0/6 Opinie: 1
Stron:
456
Druk:
oprawa miękka
Książka
77,00 zł
Dodaj do koszyka Wysyłamy w 24h
Ebook
77,00 zł
61,60 zł
Dodaj do koszyka lub Kup 1-kliknięciem
Poleć tę książkę znajomemu
Poleć tę książkę znajomemu!!
Przenieś na półkę
Do przechowalni
Opis książki
Często kupowane razem
Ocena (3.0/6) i opinie (1)
Szczegóły książki
Spis treści
Przykłady do książki
Opis książki
Czytaj fragment
Technologie wykorzystujące różne formy uczenia maszynowego zaczynają pojawiać się w różnych branżach. Możliwości w tym zakresie stale rosną, podobnie jak zainteresowanie i oczekiwania. Przed podjęciem decyzji o wdrożeniu w firmie tego rodzaju rozwiązań trzeba jednak zadać sobie pytanie, co można i co chciałoby się osiągnąć za pomocą sieci neuronowej. Generalnie uczenie maszynowe opiera się na algorytmach wyodrębniania informacji z surowych danych i reprezentowania ich jako modelu. Model ten następnie służy do przetwarzania kolejnych surowych danych. Co to jednak oznacza w praktyce i jak się implementuje takie algorytmy?
Niniejsza książka jest przydatnym przewodnikiem po uczeniu maszynowym i sieciach neuronowych. Zawiera praktyczne informacje, które doceni każdy programista stawiający pierwsze kroki w tej dziedzinie. Przedstawiono tu podstawy deep learningu i wyjaśniono takie pojęcia, jak strojenie sieci, wielowątkowość, wektoryzowanie danych. Opisano, w jaki sposób można wykorzystać otwartą bibliotekę Deeplearning4j (DL4J) do kodowania profesjonalnych procesów uczenia głębokiego. Zaprezentowano metody i strategie trenowania sieci głębokich i uruchamiania procesów uczenia głębokiego w środowiskach Spark i Hadoop. Zagadnienia te zostały zilustrowane gotowymi do zastosowania, praktycznymi przykładami.
W tej książce między innymi:
ogólne koncepcje uczenia maszynowego, uczenia głębokiego i sieci neuronowych
ewolucja sieci neuronowych do sieci głębokich i ich rodzaje
dobieranie rodzaju sieci do analizowanego zagadnienia
strojenie sieci neuronowych i sieci głębokich
korzystanie z narzędzia DataVec do wektoryzowania danych różnych typów
stosowanie biblioteki DL4J w środowiskach Spark i Hadoop
Uczenie głębokie i sieci neuronowe: przyszłość, która dzieje się dziś!
Selling helion.pl
O autorach
Josh Patterson jest uznanym autorytetem w dziedzinie przetwarzania wielkich ilości danych, uczenia maszynowego i uczenia głębokiego. Aktywnie działa na rzecz tworzenia otwartego oprogramowania, uczestniczy w takich projektach jak DL4J, Apache Mahout, Metronome, IterativeReduce, openPDC i JMotif
Adam Gibson specjalizuje się w uczeniu głębokim. Ma duże doświadczenie w budowaniu systemów do przetwarzania dużych ilości danych w czasie rzeczywistym. Z jego rozwiązań korzystają m.in. firmy z listy Fortune 500, towarzystwa ubezpieczeniowe, firmy public relations i startupy.
4,4/10średnia ocena książek autora
6 przeczytało książki autora
3 chce przeczytać książki autora
0fanów autora
Zostań fanem autoraKsiążki i czasopisma
- Wszystkie
- Książki
- Czasopisma
Deep Learning. Praktyczne wprowadzenie
Josh Patterson, Adam Gibson
4,4 z 5 ocen
9 czytelników 1 opinia
2018
Najnowsze opinie o książkach autora
Deep Learning. Praktyczne wprowadzenie Josh Patterson
4,4
Dawno nie czytałem takiej chały i prawdę mówiąc tej pozycji także nie czytałem, bo szybko i dobitnie autorzy wykazali się takim zaangażowaniem, że poprzestałem na kartkowaniu.
Wprowadzenie nerwowe, zdawkowe, niby autorzy chcą opisać różne sieci i jak one działają, ale za bardzo nie mają do tego serca, więc ograniczają się do krótkich hasełek. Widać, że pisane jest to na odczepnego, żeby coś było, nieważne, czy realnie przydatne, zjadliwe, czy nie. Gdybym nie czytał innych pozycji nie miałbym szans, aby z tego czegokolwiek się dowiedzieć.
Kiedy przychodzi do programowania -- całe kilkustronicowe litanie kodu, jedną i tą samą czcionką, żadnych pogrubień chociażby słów kluczowych. Wszystko to na zasadzie "wklep to, bo tak". To w ogóle nie wytrzymuje porównania nawet do najsłabszych książek z Pythonem.
A dalej chyba autorzy się już zmęczyli, bo następuje groch z kapustą i to równie kiepski jak dotychczasowy materiał.
Poziom tej publikacji jest szokująco niski, mnie rusza to tym bardziej, że zaraz po wydaniu oryginału liczyłem, że ta pozycja pojawi się w Polsce, a tu takie rozczarowanie. Najlepszy z tego wszystkiego jest rozdział o strojeniu sieci, co nie znaczy, że jest dobry.
Niechlujność i pośpiech w przekazie widoczny jest także w prezentacji architektury sieci -- kto u licha przedstawia kolejne warstwy w postaci opisowej (punktów) zamiast diagramu ze strzałkami ilustrującymi przepływ danych. No, ale ponownie -- "sztuka jest sztuka".
Dno! Zakup kompletnie bez sensu, lepiej się trzymać książek z R/Pythonem, zdecydowanie wygrywają z tym tytułem.