Iniziare a rilevare le anomalie con il Deep Learning basato su Python: Con Keras e Pytorch

Recensioni dei lettori

Il libro ha ricevuto un feedback negativo: i recensori hanno espresso disappunto per la lunghezza e la qualità dei contenuti. Ha criticato l'uso di immagini di grandi dimensioni che sprecano spazio e ha messo in dubbio le qualifiche di uno degli autori. Il recensore ha anche espresso sfiducia nelle recensioni disponibili su Amazon.

Non sono stati riportati i vantaggi del libro.

Il libro è eccessivamente lungo, con spazi vuoti inutili e immagini di grandi dimensioni. Uno degli autori non ha qualifiche sufficienti. Il recensore ritiene che il contenuto sia fuorviante e che la qualità editoriale sia scarsa.

(basato su 2 recensioni dei lettori)

Titolo originale:

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Contenuto del libro:

Utilizzate questa guida per principianti, facile da seguire, per capire come l'apprendimento profondo possa essere applicato al rilevamento delle anomalie. Utilizzando Keras e PyTorch in Python, il libro si concentra su come vari modelli di deep learning possono essere applicati a compiti di rilevamento delle anomalie semi-supervisionati e non supervisionati.

Il libro inizia spiegando cos'è il rilevamento delle anomalie, a cosa serve e qual è la sua importanza. Dopo aver trattato i metodi statistici e tradizionali di apprendimento automatico per il rilevamento delle anomalie utilizzando Scikit-Learn in Python, il libro fornisce un'introduzione al deep learning con dettagli su come costruire e addestrare un modello di deep learning sia in Keras che in PyTorch, prima di spostare l'attenzione sulle applicazioni dei seguenti modelli di deep learning al rilevamento delle anomalie: vari tipi di autoencoder, macchine di Boltzmann ristrette, RNN e LSTM e reti convoluzionali temporali. Il libro esplora il rilevamento delle anomalie non supervisionato e semi-supervisionato e le basi del rilevamento delle anomalie basato sulle serie temporali.

Alla fine del libro avrete una comprensione approfondita del compito di base del rilevamento delle anomalie, nonché un assortimento di metodi di approccio al rilevamento delle anomalie, che vanno dai metodi tradizionali al deep learning. Inoltre, si viene introdotti a Scikit-Learn e si è in grado di creare modelli di deep learning in Keras e PyTorch.

Cosa imparerete

⬤ Capire cos'è il rilevamento delle anomalie e perché è importante nel mondo di oggi.

⬤ Conoscere gli approcci statistici e tradizionali all'apprendimento automatico per il rilevamento delle anomalie utilizzando Scikit-Learn.

⬤ Conoscere le basi del deep learning in Python utilizzando Keras e PyTorch.

⬤ Conoscere i concetti di base della scienza dei dati per misurare le prestazioni di un modello: capire cos'è l'AUC, cosa significano precisione e richiamo e altro ancora.

⬤ Applicare il deep learning al rilevamento di anomalie semi-supervisionato e non supervisionato.

Per chi è questo libro?

Scienziati dei dati e ingegneri dell'apprendimento automatico interessati ad apprendere le basi delle applicazioni del deep learning nel rilevamento delle anomalie.