- Polecamy
Patronat LC
Patronat LC
Patronat LC
Patronat LC
Patronat LCDeep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona
Wydawnictwo: Helion informatyka, matematyka
472 str. 7 godz. 52 min.- Kategoria:
- informatyka, matematyka
- Tytuł oryginału:
- Practical Deep Learning: A Python-Based Introduction
- Wydawnictwo:
- Helion
- Data wydania:
- 2022-10-04
- Data 1. wyd. pol.:
- 2022-10-04
- Liczba stron:
- 472
- Czas czytania
- 7 godz. 52 min.
- Język:
- polski
- ISBN:
- 9788328388598
- Tłumacz:
- Krzysztof Sawka
- Tagi:
- Informatyka Programowanie Python Deep Learning
Uczenie głębokie fascynuje wielu inżynierów i praktyków. Mimo że systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię. Istotnie, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model. Możemy tylko ocenić, czy dobrze realizuje swoje zadanie. Wydaje się, że w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głębokie.
Ta książka jest przystępnym przewodnikiem po uczeniu maszynowym. Aby zrozumieć zawartą w niej treść, wystarczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły średniej. Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim. Dzięki lekturze dowiesz się, czym się charakteryzuje dobry zbiór danych uczących, jak ocenić skuteczność modelu i jak korzystać z takich modeli jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Sporo miejsca poświęcono również sieciom neuronowym, mechanizmom ich działania i technikom treningu. I chociaż nie znajdziesz tutaj gotowych receptur, to zdobędziesz wiedzę potrzebną, by od podstaw zaprojektować działający model uczenia głębokiego.
W książce między innymi:
- budowanie dobrego zestawu danych uczących
- praca z bibliotekami scikit-learn i Keras
- klasyczne modele uczenia maszynowego
- mechanizm działania i uczenia sieci neuronowych
- modele wykorzystujące splotowe sieci neuronowe
- przygotowanie od podstaw działającego modelu
Uczenie głębokie: przyszedł czas na Twój pierwszy model!Porównaj ceny
Porównywarka z zawsze aktualnymi cenami
W naszej porównywarce znajdziesz książki, audiobooki i e-booki, ze wszystkich najpopularniejszych księgarni internetowych i stacjonarnych, zawsze w najlepszej cenie. Wszystkie pozycje zawierają aktualne ceny sprzedaży. Nasze księgarnie partnerskie oferują wygodne formy dostawy takie jak: dostawę do paczkomatu, przesyłkę kurierską lub odebranie przesyłki w wybranym punkcie odbioru. Darmowa dostawa jest możliwa po przekroczeniu odpowiedniej kwoty za zamówienie lub dla stałych klientów i beneficjentów usług premium zgodnie z regulaminem wybranej księgarni.
Za zamówienie u naszych partnerów zapłacisz w najwygodniejszej dla Ciebie formie:
• online
• przelewem
• kartą płatniczą
• Blikiem
• podczas odbioru
W zależności od wybranej księgarni możliwa jest także wysyłka za granicę. Ceny widoczne na liście uwzględniają rabaty i promocje dotyczące danego tytułu, dzięki czemu zawsze możesz szybko porównać najkorzystniejszą ofertę.
Szukamy ofert...Mogą Cię zainteresować
Książka na półkach
- 4
- 2
- 1
- 1
- 1
Cytaty
Bądź pierwszy
Dodaj cytat z książki Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona
Dodaj cytatPodobne książki
Przeczytaj także
OPINIE i DYSKUSJE
Książka o tyle dobra, że rzeczywiście łączy ze sobą teorię i praktykę. Jeśli ktoś chce wiedzieć, jak utworzyć model uczenia za pomocą Pythona, to rzeczywiście tutaj znajdzie tego dokładne przykłady. Jest też tłumaczenie metod uczenia maszynowego oraz sieci neuronowych od strony teorii, ale nie jestem pewien, czy mogę to nazwać przystępne - autor się stara, ale gdy "uruchamia" aparat matematyczny, to niekiedy jest zrozumiale, a niekiedy stosuje tak jakby skróty myślowe i nagle wchodzi na poziom, przez który jedną stronę trzeba czytać kilka razy.
Nie jest to książka do czytania od deski do deski, choćby ze względu na eksperymenty - to dobre, że autor pokazuje, które modele są lepsze w danych sytuacjach oraz jak to się bada. Są też wykresy, które uzmysławiają nam, jak podchodzić do danych wyników. Jednocześnie nie są to fragmenty, które trzeba przeglądać bardzo dokładnie, co na pewno pomoże w przełknięciu tej ok. 450-stronicowej książki.
Warto pamiętać, że jeśli chodzi o sieci neuronowe, to są tutaj tyle proste nadzorowane i splotowe - nie ma nienadzorowanych, rekurencyjnych, a tym bardziej ze wzmacnianiem. Z klasycznych metod jest m.in. naiwny Bayes, centroid, k najbliższych sąsiadów, drzewa, lasy i SVM. Także sami musicie wybrać, czy to faktycznie te kwestie, które Was interesują.
Książka o tyle dobra, że rzeczywiście łączy ze sobą teorię i praktykę. Jeśli ktoś chce wiedzieć, jak utworzyć model uczenia za pomocą Pythona, to rzeczywiście tutaj znajdzie tego dokładne przykłady. Jest też tłumaczenie metod uczenia maszynowego oraz sieci neuronowych od strony teorii, ale nie jestem pewien, czy mogę to nazwać przystępne - autor się stara, ale gdy...
więcej Pokaż mimo to