





Deep Learning Ronald Kneusel

Parametry
- Stan
- Nowy
- Faktura
- Faktura VAT
- Wydawnictwo
- Helion
- Język
- polski
- Tematyka
- Python
- Okładka
- miękka
- Waga (z opakowaniem)
- 0,6 kg
- Wysokość produktu
- 22,8 cm
- Szerokość produktu
- 16 cm
- Numer wydania
- 1
- Autor
- Ron Kneusel
- Liczba stron
- 472
- Tytuł
- Deep Learning. Praktyczne wprowadzenie z zastosowaniem środowiska Pythona
- Rok wydania
- 2 022
- ISBN
- 9788328388598
- Nośnik
- książka papierowa
- Gatunek
- E-biznes
Opis produktu

Deep Learning
Autor: Ronald T. Kneusel
EAN: 9788328388598
Typ publikacji: książka
Strony: 472
SID: 3290375
Deep Learning
Uczenie głębokie fascynuje wielu inżynierów i praktyków. Mimo że systemy oparte na uczeniu maszynowym stosuje się w rozlicznych branżach, wciąż są uważane za niepokojącą technologię. Istotnie, w wypadku na przykład sieci neuronowych nie wiemy, czego dokładnie uczy się model. Możemy tylko ocenić, czy dobrze realizuje swoje zadanie. Wydaje się, że w sposobie pracy algorytmów uczenia głębokiego tkwi magia. Właśnie dlatego dobrze jest zająć się faktami i dowiedzieć się, na czym w rzeczywistości polega uczenie maszynowe, a zwłaszcza uczenie głę książka jest przystępnym przewodnikiem po uczeniu maszynowym. Aby zrozumieć zawartą w niej treść, wystarczy podstawowa umiejętność programowania i znajomość matematyki na poziomie szkoły średniej. Znalazło się tu omówienie podstawowych pojęć i wyjaśnienie mechanizmów rządzących uczeniem głębokim. Dzięki lekturze dowiesz się, czym się charakteryzuje dobry zbiór danych uczących, jak ocenić skuteczność modelu i jak korzystać z takich modeli jak k-najbliższych sąsiadów, lasy losowe czy maszyna wektorów nośnych. Sporo miejsca poświęcono również sieciom neuronowym, mechanizmom ich działania i technikom treningu. I chociaż nie znajdziesz tutaj gotowych receptur, to zdobędziesz wiedzę potrzebną, by od podstaw zaprojektować działający model uczenia głębokiego.W książce między innymi: budowanie dobrego zestawu danych uczących praca z bibliotekami scikit-learn i Keras klasyczne modele uczenia maszynowego mechanizm działania i uczenia sieci neuronowych modele wykorzystujące splotowe sieci neuronowe przygotowanie od podstaw działającego modeluUczenie głębokie: przyszedł czas na Twój pierwszy model!




