Apprendimento profondo con Keras

Recensioni dei lettori

Il libro è una guida pratica all'implementazione di modelli di deep learning utilizzando Keras, ideale per chi ha già familiarità con l'apprendimento automatico. Il libro enfatizza gli esempi di codifica rispetto alla comprensione teorica, rendendolo adatto ai data scientist esperti. Tuttavia, manca di profondità nella teoria e sono stati riscontrati problemi di formattazione che potrebbero ostacolare l'esperienza di lettura.

** Fornisce dettagli pratici di implementazione ed esempi di modelli di deep learning utilizzando Keras. ** Adatto a lettori che già conoscono i concetti di apprendimento automatico. ** Copre ricerche recenti e include esempi ben studiati. ** Introduzione veloce e conveniente all'uso di Keras.

** Manca di profondità nelle spiegazioni teoriche e nella matematica sottostante. ** Molti esempi sono elementari, senza un contesto o una spiegazione sufficienti. ** Scarsa formattazione del libro, soprattutto nella versione Kindle, con immagini e codice di difficile lettura. ** Alcuni lettori hanno trovato il libro eccessivamente costoso per il livello di contenuto fornito.

(basato su 42 recensioni dei lettori)

Titolo originale:

Deep Learning with Keras

Contenuto del libro:

Nota dell'editore: questa edizione del 2017 è obsoleta e non è compatibile con TensorFlow 2 o con i più recenti aggiornamenti delle librerie Python. È stata pubblicata una nuova seconda edizione, aggiornata al 2020, con TensorFlow 2, l'API Keras, CNN, GAN, RNN, NLP e AutoML.

Caratteristiche principali:

⬤ Implementare vari algoritmi di deep learning in Keras e vedere come il deep learning può essere utilizzato nei giochi.

⬤ Vedi come vari modelli di deep learning e casi d'uso pratici possono essere implementati usando Keras.

⬤ Una guida pratica e pratica con esempi reali per dare una solida base a Keras.

Descrizione del libro:

Questo libro inizia introducendovi agli algoritmi di apprendimento supervisionato come la semplice regressione lineare, il classico perceptron multistrato e le più sofisticate reti convoluzionali profonde. Verrà inoltre esplorata l'elaborazione delle immagini con il riconoscimento di immagini di cifre scritte a mano, la classificazione di immagini in diverse categorie e il riconoscimento avanzato di oggetti con le relative annotazioni sulle immagini. Viene inoltre fornito un esempio di identificazione di punti salienti per il rilevamento di volti.

Verranno poi introdotte le reti ricorrenti, ottimizzate per l'elaborazione di dati in sequenza come testo, audio o serie temporali. In seguito, imparerete a conoscere gli algoritmi di apprendimento non supervisionato, come gli autoencoder e le popolarissime GAN (Generative Adversarial Networks). Esplorerete anche gli usi non tradizionali delle reti neurali come il trasferimento di stile.

Infine, si analizzerà l'apprendimento per rinforzo e la sua applicazione ai giochi di intelligenza artificiale, un'altra popolare direzione di ricerca e applicazione delle reti neurali.

Che cosa imparerete?

⬤ Ottimizzare funzioni passo-passo su una rete neurale di grandi dimensioni utilizzando l'algoritmo di Backpropagation.

⬤ Finire la messa a punto di una rete neurale per migliorare la qualità dei risultati.

⬤ Utilizzare il deep learning per l'elaborazione di immagini e audio.

⬤ Utilizzare le reti neurali tensoriali ricorsive (RNTN) per superare le prestazioni del word embedding standard in casi speciali.

⬤ Identificare i problemi per i quali le reti neurali ricorrenti (RNN) sono adatte.

⬤ Esplorare il processo necessario per implementare gli autoencoder.

⬤ Evolvere una rete neurale profonda utilizzando l'apprendimento per rinforzo.

A chi è rivolto questo libro:

Se siete uno scienziato dei dati con esperienza nell'apprendimento automatico o un programmatore di IA con una certa esposizione alle reti neurali, troverete questo libro un utile punto di ingresso al deep-learning con Keras. Per questo libro è richiesta la conoscenza di Python.