Отличная книга для первого знакомства. Автор в начале книги обещает не приводить ни единой математической формулы – вместо них используется код на python, что облегчает восприятие рядовому программисту.
Хорошо «разжёваны» базовые задачи – классификация и регрессия.
Много внимания уделено свёрточным и рекуррентным слоям, а также методам преобразования текста в вид, с которым способны работать модели.
По ходу дела дано множество практических советов, а в отдельном разделе по шагам расписано, как надо обучать модель «правильно».
Но что касается более продвинутых вещей – генерация текста и изображений – сложилось впечатление, что достаточно быстро изложение с «всё разжёвано» превращается в «по вершкам».
По генерации текста пример игрушечный, из которого непонятно, как делать практически полезные модели. По генерации изображений приведены достаточно интересные примеры, но всё очень коротко, а потому далеко не так легко для восприятия, как начало книги.
Думаю, что в этом нет вины автора – видимо задачи посложнее регрессии и классификации требуют более солидной подготовки, иначе объём книги разрастётся в разы (но конечно хотелось бы иметь и такую книгу).
В заключении автор честно рассказывает об ограничениях глубоких сетей – а они существенные, так что рано отправлять на свалку подходы, не связанные с градиентным спуском и непрерывными функциями. В целом автор сбивает спесь, навеянную популярными статьями. Глубокие сети – это мощный инструмент, возможности которого ещё до конца не исследованы. Но известные ограничения не оставляют сомнений в том, что их одних недостаточно для решения всех стоящих проблем.
Книга написана разработчиком Keras – библиотеки для создания сетей глубокого обучения на языке Python, поэтому автор без сомнения отлично разбирается в теме. Много практических примеров решения как базовых задач классификации и регрессии, так и более сложных примеров на базе свёрточных и рекуррентных сетей: генерация текстов, Deep Dream, neural style transfer. Рекомендую!
Эта книга подойдет в первую очередь тем, кто хочет начать изучать глубокое обучение. В книге используется фреймворк Keras, который был разработан автором данной книги (ну и сообществом, конечно). После прочтения вы не станете профессионалом в области нейронных сетей, однако, поймете базовые принципы на примере простеньких задач.
Замечательная книга!
Она позволила мне понять, что же обычно понимают под искусственным интеллектом и с чем его "едят". А также, как устроены нейронные сети.
В последнее время я прочитал несколько книг по ИИ, - эта лучшая.
Только эта книга помогла мне ясно понять и прочувствовать, что это за зверь такой - ИИ.
И как с его помощью можно решать многочисленные задачи.
За такую книгу не жалко никаких денег.
Написанная создателем Keras - одного из популярных фреймворков для машинного обучения, данная книга представляет собой базовое введение в основные архитектуры глубокого обучения, так или иначе используемые по настоящее время.
Сочетая в себе необходимую базовую теорию, и вместе с тем избегая сложных математических выкладок, которые нередко способны оттолкнуть даже хорошо мотивированного читателя, и ограничиваясь доходчивыми разъяснениями сути происходящих манипуляций, приёмов и применяемых методов, книга даёт пошаговое руководство для применения получаемых при чтении знаний на практике. Каждое действие сопровождается примером воспроизводимого кода, каждый участок которого, в свою очередь, содержит исчерпывающее описания происходящего.
Автор описывает все базовые архитектуры глубокого обучения, получившие широкое распространение на момент написания книги. К примеру, трансформеры и механизмы внимания, массово использующиеся в настоящее время, здесь уже не разбираются, зато даётся добротная основа для понимания как принципов проектирования нейронных сетей, так и основных этапов работы с моделями: подготовкой данных, обучением параметров, подбором функций активации и потерь - последнему, впрочем, за неимением достаточных математических обоснований, в тексте даётся исключительно ультимативные рекомендации из разряда "для этих задач лучше подходит это, а вот для тех - то". Что, однако, оставляет немало простора и свободы для вариативности в установленных рамках и книге идёт только на пользу.
Книга станет хорошим помощником для новичков, притом изложение материала здесь доступно как специалистам, имеющим профильное техническое образование, так и более отдалённым профессиям. Она также будет полезна тем, кто, желая освежить неиспользованные какое-то время знания, опасается погружаться в дебри математических выкладок, но кому в то же время не терпится применить изученное на практике.
Обучение - это пожизненное путешествие.
Книга оправдала возложенные на неё ожидания. Начало книги посвящено истории появления машинного обучения, нейронных сетей. Присутствует краткое описание математического аппарата данной темы. Рассмотрены и описаны основные виды нейронных сетей: начиная от простейших и заканчивая генеративно-состязательными сетями. Так как автор один из создателей Keras, то всё примеры кода приведены с использованием именно этой библиотеки на языке Python. Вникнуть в суть помогают блок-схемы и диаграммы. Достаточно внимания уделено вопросам настройки параметров и повышения точности предсказания моделей, что очень важно для будущих data-scientist-ов. Местами перевод не блещет, но тема достаточно специфическая и присутствует много узкоспециализированных терминов. В конце книги можно подчерпуть основные тренды развития глубокого обучения. Есть приложение по настройке с нуля окружения и программ для начала работы с Keras. Думаю после прочтения данной книги многие вопросы по работе с нейронными сетями станут вам более понятными.
Arvustused raamatule «Глубокое обучение на Python (pdf+epub)», 7 ülevaadet