Apprendimento profondo generativo: Insegnare alle macchine a dipingere, scrivere, comporre e suonare

Recensioni dei lettori

Le recensioni lodano il libro per le spiegazioni chiare dei concetti di deep learning generativo e per il contenuto ben strutturato, che bilancia la teoria con le applicazioni pratiche. I lettori sottolineano la profondità delle informazioni fornite sui vari modelli generativi e lo stile di scrittura coinvolgente dell'autore. Tuttavia, ci sono critiche notevoli riguardo alla qualità degli esempi di codice nell'edizione Kindle e ad alcuni problemi nell'esecuzione delle demo.

⬤ Struttura eccellente e facile da seguire.
⬤ Spiegazioni chiare di concetti complessi.
⬤ Buon equilibrio tra teoria ed esempi pratici.
⬤ Copertura completa dei modelli generativi.
⬤ Stile di scrittura coinvolgente e umoristico.
⬤ Numerosi esempi di codice funzionante e ben finanziato.

⬤ Scarsa qualità delle equazioni e notazioni matematiche nell'edizione Kindle.
⬤ Alcuni esempi di codice sono difficili da eseguire a causa di problemi di compatibilità e librerie obsolete.
⬤ Alcuni recensori hanno notato che i risultati dell'addestramento dei modelli non corrispondevano ai risultati attesi.
⬤ Manca una sezione sulla valutazione della qualità dei risultati generati.

(basato su 24 recensioni dei lettori)

Titolo originale:

Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play

Contenuto del libro:

La modellazione generativa è uno dei temi più caldi dell'IA. Oggi è possibile insegnare a una macchina a eccellere in attività umane come la pittura, la scrittura e la composizione di musica. Con questo libro pratico, gli ingegneri dell'apprendimento automatico e gli scienziati dei dati scopriranno come ricreare alcuni degli esempi più impressionanti di modelli generativi di deep learning, come gli autoencoder variazionali, le reti avversarie generative (GAN), i trasformatori, i flussi normalizzanti e i modelli di diffusione.

L'autore David Foster illustra il funzionamento interno di ogni tecnica, partendo dalle basi del deep learning prima di passare ad alcuni degli algoritmi più all'avanguardia del settore. Grazie a suggerimenti e trucchi, capirete come far apprendere i vostri modelli in modo più efficiente e diventare più creativi.

⬤ Scoprire come gli autoencoder variazionali possono modificare le espressioni facciali nelle foto.

⬤ Costruire esempi pratici di GAN da zero per generare immagini basate sul proprio set di dati.

⬤ Creare modelli generativi autoregressivi, come gli LSTM per la generazione di testi e i modelli PixelCNN per la generazione di immagini.

⬤ Costruire modelli di generazione musicale, utilizzando Transformers e MuseGAN.

⬤ Esplorare il funzionamento interno di architetture all'avanguardia come StyleGAN, VQ-VAE, BERT e GPT-3.

⬤ Interrogarsi sulle attuali applicazioni pratiche dei modelli generativi come il trasferimento di stile (CycleGAN, trasferimento neurale di stile) e i modelli multimodali (CLIP e DALL. E 2) per la generazione da testo a immagine.

⬤ Capire come i modelli generativi possono aiutare gli agenti a svolgere compiti in un contesto di apprendimento per rinforzo.

⬤ Comprendere come potrebbe evolversi il futuro della modellazione generativa, compreso il modo in cui le aziende dovranno adattarsi per trarre vantaggio dalle nuove tecnologie.