Recensioni dei lettori
Riepilogo:Il libro fornisce un'introduzione completa alla Neural Search e alla piattaforma Jina, offrendo un mix di panoramiche teoriche ed esempi pratici. È una risorsa preziosa per chi è alle prime armi con la Neural Search, ma potrebbe mancare di profondità in alcuni argomenti avanzati e opzioni di personalizzazione.
Vantaggi:Il libro offre una panoramica completa degli argomenti classici ed emergenti della ricerca neurale, fornisce ricette pratiche di codice e include esercitazioni pratiche sull'uso di Jina per la ricerca multimodale. Copre efficacemente i fondamenti e aiuta i lettori a comprendere i punti di forza e di debolezza degli algoritmi di ricerca neurale.
Svantaggi:Alcuni recensori hanno notato che il libro non tratta alcuni argomenti in modo sufficientemente dettagliato, in particolare le opzioni di personalizzazione avanzate e alcune caratteristiche di Jina, come i sottoindici e il flusso. È stato inoltre espresso il desiderio di una maggiore trattazione dei sistemi di ricerca basati su trasformatori nelle prossime edizioni.
(basato su 5 recensioni dei lettori)
Titolo originale:
Neural Search - From Prototype to Production with Jina: Build deep learning-powered search systems that you can deploy and manage with ease
Contenuto del libro:
Implementare sistemi di ricerca neurale sul cloud sfruttando i design pattern di Jina.
Caratteristiche principali:
⬤ Identificare le diverse tecniche di ricerca e scoprire le applicazioni della ricerca neurale.
⬤ Acquisire una solida comprensione della rappresentazione vettoriale e applicare le proprie conoscenze alla ricerca neurale.
⬤ Sbloccare i livelli più profondi di conoscenza di Jina per la ricerca neurale.
Descrizione del libro:
La ricerca è una parte importante e in continua crescita dell'ecosistema tecnologico. La ricerca tradizionale, tuttavia, presenta limiti difficili da superare a causa del modo in cui è stata progettata. La ricerca neurale è un approccio innovativo che sfrutta la potenza dell'apprendimento automatico per recuperare le informazioni utilizzando le incorporazioni vettoriali come cittadini di prima classe, aprendo nuove possibilità di migliorare i risultati ottenuti con la ricerca tradizionale.
Sebbene la ricerca neurale sia uno strumento potente, è nuova e la sua messa a punto può essere noiosa, poiché richiede la comprensione dei diversi componenti su cui si basa. Jina colma questa lacuna fornendo un'infrastruttura che riduce il tempo e la complessità della creazione di motori di ricerca basati sul deep learning. Questo libro vi permetterà di apprendere i fondamenti delle reti neurali per la ricerca neurale, i suoi punti di forza e di debolezza e come utilizzare Jina per costruire un motore di ricerca. Con l'aiuto di spiegazioni passo-passo, esempi pratici e domande di autovalutazione, imparerete a conoscere le basi della ricerca neurale e i concetti fondamentali di Jina, e imparerete ad applicare queste conoscenze per costruire il vostro motore di ricerca.
Alla fine di questo libro sull'apprendimento profondo, sarete in grado di sfruttare al meglio i modelli di progettazione della ricerca neurale di Jina per costruire una soluzione di ricerca end-to-end per qualsiasi modalità.
Che cosa imparerete?
⬤ Capire come funzionano la ricerca neurale e la ricerca tradizionale.
⬤ Afferrare i fondamenti matematici e di apprendimento automatico necessari per la ricerca neurale.
⬤ Esplorare le basi della rappresentazione vettoriale.
⬤ Esplorare i componenti di base di Jina.
⬤ Analizzare i sistemi di ricerca con diverse modalità.
⬤ Scoprire le funzionalità di Jina con l'aiuto di esempi pratici.
A chi è rivolto questo libro:
Se siete ingegneri di machine learning, deep learning o intelligenza artificiale interessati a costruire un sistema di ricerca di qualsiasi tipo (testo, QA, immagini, audio, PDF, modelli 3D o altro) utilizzando un'architettura software moderna, questo libro fa per voi. Questo libro è perfetto per gli ingegneri Python interessati a costruire un sistema di ricerca di qualsiasi tipo utilizzando tecniche di deep learning all'avanguardia.
