Apprendimento profondo applicato con Python

Recensioni dei lettori

Il libro fornisce un'introduzione pratica al deep learning con progetti pratici e indicazioni chiare, ma soffre di errori di battitura e della mancanza di materiale introduttivo, che possono confondere i lettori, in particolare quelli nuovi del settore.

Ottima introduzione pratica, molti progetti, chiare indicazioni passo-passo e buoni esempi. Consigliato agli appassionati di Deep Learning e Python.

Numerosi refusi rendono difficile la lettura e la mancanza di capitoli introduttivi e di chiare istruzioni per l'installazione può confondere i principianti.

(basato su 4 recensioni dei lettori)

Titolo originale:

Applied Deep Learning with Python

Contenuto del libro:

Una guida pratica al deep learning ricca di spiegazioni intuitive ed esempi pratici coinvolgenti Caratteristiche principali Progettato per sviluppare in modo iterativo le competenze degli utenti di Python che non hanno un background di scienza dei dati Copre i concetti fondamentali che è necessario conoscere quando si costruiscono sistemi di deep learning Pieno di esercizi e attività passo-passo per aiutare a costruire le competenze necessarie per il mondo reale Descrizione del libro

Con un approccio che utilizza gli ultimi sviluppi dell'ecosistema Python, sarete guidati attraverso l'ecosistema Jupyter, le principali librerie di visualizzazione e le potenti tecniche di sanificazione dei dati prima di addestrare il nostro primo modello predittivo. Esploreremo una serie di approcci alla classificazione, come le reti di vettori di supporto, le foreste decisionali casuali e i k-nearest neighbours, per acquisire una maggiore comprensione prima di addentrarci in un territorio più complesso. Non c'è problema se questi termini sembrano opprimenti; vi mostreremo come metterli in pratica.

A partire dalla nostra trattazione della classificazione, daremo una rapida occhiata al web scraping etico e alle visualizzazioni interattive per aiutarvi a raccogliere e presentare le vostre analisi in modo professionale. Successivamente, inizieremo a costruire la nostra applicazione chiave di apprendimento profondo, che mira a prevedere il prezzo futuro del Bitcoin sulla base di dati storici pubblici.

Guidandovi attraverso una rete neurale addestrata, esploreremo le architetture di rete di deep learning più comuni (convoluzionale, ricorrente, generativa avversaria) e ci addentreremo nel deep reinforcement learning prima di tuffarci nell'ottimizzazione e nella valutazione del modello. Tutto questo mentre lavoriamo a un'applicazione web pronta per la produzione che combina Tensorflow e Keras per produrre un risultato significativo e facile da usare, lasciandovi con tutte le competenze necessarie per affrontare e sviluppare i vostri progetti di deep learning nel mondo reale con sicurezza ed efficacia. Cosa imparerete Scoprite come assemblare e ripulire i vostri set di dati Sviluppate una strategia di classificazione dell'apprendimento automatico su misura Costruite, addestrate e migliorate i vostri modelli per risolvere problemi unici Lavorate con framework pronti per la produzione come Tensorflow e Keras Spiegate come funzionano le reti neurali in termini chiari e semplici Capite come distribuire le vostre previsioni sul web A chi si rivolge questo libro

Se siete programmatori Python che si avvicinano al mondo della scienza dei dati, questo è il modo ideale per iniziare. Indice dei contenuti Fondamenti di Jupyter Pulizia dei dati e apprendimento automatico avanzato Web scraping e visualizzazioni interattive Introduzione alle reti neurali e all'apprendimento profondo Architettura dei modelli Valutazione dei modelli Produzione dei modelli