Ron Kneusel Bücher

Practical Deep Learning teaches total beginners how to build the datasets and models needed to train neural networks for your own DL projects.If you’ve been curious about machine learning but didn’t know where to start, this is the book you’ve been waiting for. Focusing on the subfield of machine learning known as deep learning , it explains core concepts and gives you the foundation you need to start building your own models. Rather than simply outlining recipes for using existing toolkits, Practical Deep Learning teaches you the why of deep learning and will inspire you to explore further.All you need is basic familiarity with computer programming and high school math—the book will cover the rest. After an introduction to Python, you’ll move through key topics like how to build a good training dataset, work with the scikit-learn and Keras libraries, and evaluate your models’ performance.You’ll also You’ll conduct experiments along the way, building to a final case study that incorporates everything you’ve learned.The perfect introduction to this dynamic, ever-expanding field, Practical Deep Learning will give you the skills and confidence to dive into your own machine learning projects.

Uczenie głębokie fascynuje inżynierów i praktyków, mimo że systemy oparte na uczeniu maszynowym są wciąż postrzegane jako niepokojąca technologia. W przypadku sieci neuronowych nie zawsze wiadomo, czego dokładnie uczy się model, a jedynie można ocenić jego skuteczność. Warto zatem zgłębić fakty dotyczące uczenia maszynowego, a zwłaszcza głębokiego. Książka stanowi przystępny przewodnik, wymagający jedynie podstawowej umiejętności programowania i znajomości matematyki na poziomie szkoły średniej. Zawiera omówienie kluczowych pojęć i mechanizmów uczenia głębokiego. Dowiesz się, jak zbudować dobry zbiór danych uczących, ocenić skuteczność modelu oraz korzystać z modeli takich jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Znajdziesz także szczegółowe informacje na temat sieci neuronowych, ich działania oraz technik treningu. Choć nie ma gotowych receptur, zdobędziesz wiedzę potrzebną do zaprojektowania działającego modelu uczenia głębokiego. Książka obejmuje m.in. budowanie zestawów danych, pracę z bibliotekami scikit-learn i Keras, klasyczne modele uczenia maszynowego oraz przygotowanie pierwszego modelu.