Ricettario sull'apprendimento profondo: Ricette pratiche per iniziare rapidamente

Recensioni dei lettori

Il libro è apprezzato per il suo approccio pratico al deep learning, che rende accessibili argomenti complessi anche a chi ha una conoscenza di base della programmazione. Copre vari argomenti, tra cui la classificazione dei testi, l'elaborazione delle immagini e l'analisi musicale, accompagnati da utili quaderni Python. Tuttavia, presenta alcune limitazioni, come il fatto di essere in bianco e nero e di richiedere modifiche per il corretto funzionamento di alcuni esempi di codice.

Copre un'ampia varietà di argomenti nell'ambito del deep learning, ha un approccio pratico, diagrammi semplici, un tono divertente, è ben scritto, è accompagnato da quaderni Python e da esempi condivisi su GitHub. Contiene contenuti unici come l'analisi musicale.

Il formato in bianco e nero potrebbe non essere ideale per tutti i risultati, alcuni esempi di codice devono essere modificati prima di essere eseguiti e non copre il Deep Reinforcement Learning.

(basato su 7 recensioni dei lettori)

Titolo originale:

Deep Learning Cookbook: Practical Recipes to Get Started Quickly

Contenuto del libro:

L'apprendimento profondo non deve intimidire. Fino a poco tempo fa, questo metodo di apprendimento automatico richiedeva anni di studio, ma con framework come Keras e Tensorflow, gli ingegneri del software senza un background nell'apprendimento automatico possono entrare rapidamente in questo campo. Con le ricette di questo ricettario, imparerete a risolvere problemi di deep-learning per classificare e generare testo, immagini e musica.

Ogni capitolo è composto da diverse ricette necessarie per completare un singolo progetto, come l'addestramento di un sistema di raccomandazione musicale. L'autore Douwe Osinga fornisce anche un capitolo con una mezza dozzina di tecniche per aiutarvi se siete bloccati. Gli esempi sono scritti in Python e il codice è disponibile su GitHub come serie di quaderni Python.

Imparerete a:

⬤ Creare applicazioni che serviranno a utenti reali.

⬤ Usare i word embeddings per calcolare la similarità del testo.

⬤ Costruire un sistema di raccomandazione di film basato sui link di Wikipedia.

⬤ Imparare come le IA vedono il mondo visualizzando il loro stato interno.

⬤ Costruire un modello per suggerire emoji per pezzi di testo.

⬤ Riutilizzare reti preaddestrate per costruire un servizio di ricerca inversa di immagini.

⬤ Confrontare il modo in cui GAN, autoencoder e LSTM generano icone.

⬤ Rilevare stili musicali e indicizzare collezioni di canzoni.