Ricettario sull'apprendimento profondo di TensorFlow 1.x

Recensioni dei lettori

Il libro riceve recensioni contrastanti: alcuni ne lodano la copertura completa di TensorFlow e l'approccio pratico, mentre altri lo criticano per lo scarso editing, la mancanza di chiarezza e i numerosi errori.

Il libro fornisce una panoramica di alto livello di TensorFlow, copre un'ampia gamma di modelli di deep learning e segue un formato di ricettario pratico, che lo rende utile per gli utenti avanzati. I capitoli specifici, come quelli sugli autoencoder e sull'apprendimento per rinforzo, sono particolarmente apprezzati. Semplifica concetti complessi e offre buoni dettagli sull'implementazione. Include anche istruzioni passo-passo per l'utilizzo dei modelli TensorFlow nelle applicazioni mobili.

Molte recensioni evidenziano significativi errori di editing, tra cui frammenti di codice errati e una formattazione carente, che possono generare confusione. Alcuni lettori ritengono che l'organizzazione dei contenuti sia carente, con esempi poco spiegati. Il libro viene criticato per essere fuorviante nella rappresentazione dei contenuti, in quanto alcune sezioni si basano su Keras piuttosto che su TensorFlow. Inoltre, si sostiene che molti concetti e frammenti di codice possono essere trovati liberamente su Internet, rendendo il libro eccessivamente costoso.

(basato su 16 recensioni dei lettori)

Titolo originale:

TensorFlow 1.x Deep Learning Cookbook

Contenuto del libro:

Fai un passo avanti nell'implementazione di varie reti neurali comuni e non, con Tensorflow 1.x.

Caratteristiche principali:

⬤ Affinare e implementare reti neurali complesse usando TensorFlow 1.x di Google.

⬤ Una guida facile da seguire che consente di esplorare l'apprendimento per rinforzo, le GAN, gli autoencoder, i percettori multistrato e altro ancora.

⬤ Ricette pratiche per lavorare con Tensorflow su desktop, dispositivi mobili e ambienti cloud.

Descrizione del libro:

Le reti neurali profonde (DNN) hanno ottenuto un grande successo nel campo della visione artificiale, del riconoscimento vocale e dell'elaborazione del linguaggio naturale. Questa appassionante guida basata su ricette vi porterà dal regno della teoria delle DNN alla loro implementazione pratica per risolvere problemi reali nel campo dell'intelligenza artificiale.

In questo libro imparerete a utilizzare in modo efficiente TensorFlow, il framework open source di Google per l'apprendimento profondo. Implementerete diverse reti di deep learning, come le reti neurali convoluzionali (CNN), le reti neurali ricorrenti (RNN), le reti di apprendimento Q profondo (DQN) e le reti avversarie generative (GAN), con ricette autonome facili da seguire. Imparerete a usare TensorFlow con Keras come backend. Imparerete come si comportano le diverse DNN su alcuni dataset di uso comune, come MNIST, CIFAR-10 e Youtube8m. Non solo imparerete a conoscere le diverse piattaforme mobili ed embedded supportate da TensorFlow, ma anche a configurare piattaforme cloud per applicazioni di deep learning. Potrete anche dare un'occhiata all'architettura TPU e a come influenzerà il futuro delle DNN.

Utilizzando ricette chiare e senza fronzoli, diventerete esperti nell'implementazione delle tecniche di deep learning nelle crescenti applicazioni del mondo reale e in aree di ricerca come l'apprendimento per rinforzo, le GAN e gli autoencoder.

Che cosa imparerete?

⬤ Lavorare diversi set di dati come MNIST, CIFAR-10 e Youtube8m con TensorFlow e imparare ad accedervi e a utilizzarli nel proprio codice.

⬤ Utilizzare TensorBoard per comprendere le architetture delle reti neurali, ottimizzare il processo di apprendimento e sbirciare nella scatola nera delle reti neurali.

⬤ Utilizzare diverse tecniche di regressione per problemi di previsione e classificazione.

⬤ Costruire perceptron singoli e multistrato in TensorFlow.

⬤ Implementare una CNN e una RNN in TensorFlow e utilizzarle per risolvere problemi del mondo reale.

⬤ Imparare come le Restricted Boltzmann Machine possono essere utilizzate per raccomandare film.

⬤ Comprendere l'implementazione di autoencoder e reti di credenza profonde e utilizzarle per il rilevamento delle emozioni.

⬤ Imparare a conoscere i diversi metodi di apprendimento per rinforzo al fine di implementare agenti di gioco.

A chi è rivolto questo libro:

Questo libro è destinato ad analisti di dati, scienziati di dati, professionisti dell'apprendimento automatico e appassionati di deep learning che desiderano eseguire regolarmente attività di deep learning e sono alla ricerca di una guida pratica a cui fare riferimento. Le persone che hanno un po' di familiarità con le reti neurali e che ora vogliono acquisire esperienza nel lavorare con diversi tipi di reti neurali e di insiemi di dati, troveranno questo libro molto utile.