Dieser Artikel wurde im Rahmen der Data Science Blogathon
"Manche Dinge ändern sich nie, sein Wesen und seine Beiträge bleiben bis heute gleich ".
Einführung
Mit dieser Zeile weise ich auf den tausendjährigen Beitrag von Büchern zur Bildung der Menschen hin; sogar bis heute, wir verlassen uns stark auf den text, die Artikel und Bücher.
Ich war schon immer ein Typ für Videovorträge, wirken weniger langweilig auf den Punkt, Aber meine Meinung änderte sich drastisch, als ich diese Bücher über tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit... dieser Elite-Redakteure. Längst, Ich dachte, dass Bücher keine gute Option wären, um solch komplexe mathematische und Computerkonzepte zu studieren, Aber ich bin froh, dass diese Bücher beweisen, dass ich falsch liege.
Die hier erwähnten Bücher sind einige von allen; was habe ich durchgemacht. Sie sind meine ehrliche Meinung, nach bestem Wissen und Gewissen, und einige der hier erwähnten Spezialbücher gehören zu den besten Büchern der Branche zum Thema Deep Learning, die sogar von Google und Facebook empfohlen werden. Sie werden sie kennen, wenn Sie den Artikel lesen.
Dieses Buch ist weit weg von der klassischen KI, die sich mit Suchalgorithmen beschäftigt, intelligente Suche und ähnliches, zu einem evolutionäreren Teil der KI, einschließlich des populären maschinellen Lernens des 21. Jahrhunderts, Deep Learning und Verstärkung Q Learning.
Der Lehrplan beinhaltet diese Themen nacheinander { Intuition mit künstlicher Intelligenz, Grundlagen der Suche, Erweiterte Suche, evolutionäre Algorithmen, Schwarmintelligenz: Ameisen, Schwarmintelligenz: Partikel, maschinelles Lernen, künstliche neurale Netzwerke, Verstärkung mit Q-Learning}. Sie lernen und legen den Grundstein dafür, wie und durch welche Prozesse sich die heutige KI entwickelt hat.
Ich empfehle dieses Buch allen, die sich zum ersten Mal mit KI beschäftigen und sich leidenschaftlich für die Entwicklung der KI interessieren, all seine Kernaspekte und nicht nur einige berühmte Machine-Learning- oder Deep-Learning-Algorithmen.
2. Deep Learning von Grund auf neu: Bauen mit Python aus First Principles von Seth Weidman, herausgegeben von O`Reilley
Das Buch folgt buchstäblich dem im Namen erwähnten Konzept, was baut auf den ersten prinzipien auf. Der Autor erwähnt in diesem Buch deutlich, dass, wenn wir irgendein Konzept der Informatik lernen,, Sagen wir „suchen nach“, dann um das Konzept zu erklären.
Die wichtigsten Elemente, um es richtig zu erklären, wären
- Eine Erklärung des Algorithmus in einfachem Englisch, damit das Glossar weniger verwirrend wird,
- Visuelle Darstellung der Funktionsweise dieses Algorithmus, damit sich der Leser das Konzept leichter und verständnisvoller vorstellen kann.
- Eine mathematische Erklärung von „warum Algorithmen funktionieren“, Ja
- Pseudocode-Implementierung des Algorithmus.
Dieses Buch tut sein Bestes, um alle oben genannten Rollen für alle zu erfüllen, die wenig Erfahrung und Konsistenz beim Erlernen von Deep Learning haben.. Dieses nicht so dicke Buch ist ziemlich überraschend.
3. Deep Learning in Python / Pytorch von Manning Publications
Diese speziellen Bücher sind so beliebt und erstaunlich, dass Pytorch die PyTorch-Version dieses Buches in ihrer offiziellen Website-Lesereferenzen empfahl und sogar die „Deep Learning mit Pytorch“ steht allen kostenlos zur Verfügung.
Sie sind definitiv die bevorzugten Bücher, um mit Deep Learning zu beginnen und auch einige praktische. Mal sehen, woraus das gesamte Cover inhaltlich besteht:
3.1 Deep Learning mit Python
Das Buch ist unterteilt in 2 Teile: Zuerst (Grundlagen des Deep Learning) Hier lernen Sie die wichtigsten und wichtigsten Konzepte des Deep Learning kennen.
Sekunde (Deep Learning in der Praxis) wo das buch abdeckt Deep Learning für Machine Vision, Text und Sequenzen, fortgeschrittene Deep-Learning-Praxis, Generatives Deep Learning.
3.2 Deep Learning mit PyTorch
Ich habe dir schon gesagt, wie beliebt dieses Buch ist, lass uns seinen Inhalt sehen. Das Buch ist unterteilt in 3 Teile:
Teil 1 (Kern PyTorch) Hier erfahren Sie mehr über Einführung in Deep Learning und PyTorch als Bibliothek, modelos preentrenados, Spanner und ihre Anwendungen und mehr.
Dann kommt der Teil 2 (Von Bildern in der realen Welt lernen) deckt ein reales Beispiel für die Früherkennung von Lungenkrebs und seine vollständige Entwicklung im Detail ab, das, meiner Meinung nach, fügt dem Schüler eine Menge Perspektiven hinzu.
Teil 3 (Einsatz) spricht über den letzten Schritt bei der Entwicklung einer Machine-Learning-Anwendung zum ersten Mal, Dies bedeutet, dass andere Ihr Modell verwenden und Ihr Modell in der realen Welt leben können.
4. Grokking Deep Learning von Andrew W. Trask herausgegeben von Manning Publications
Wenn du mein Wort nehmen willst und mich fragen „Gargeya, Wo soll ich deiner Meinung nach anfangen?“ Ich würde meine Augen schließen und auf dieses Buch zeigen. Ein fantastisches Buch über Deep Learning, das mir sogar das Gefühl gibt, warum ich nicht damit angefangen habe.
Dieses Buch behandelt die meisten Themen, die Sie benötigen, um sich mit Deep Learning die Hände schmutzig zu machen und eine exponentiell positive Neigung zu Einsicht und Einsicht zu beschreiten..
Dies ist eine kurze Zusammenfassung dessen, was Sie lernen werden: {Einführung in Deep Learning und warum Sie es tun sollten, grundsätzliche Konzepte, Einführung in rotes neuronalesNeuronale Netze sind Rechenmodelle, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie nutzen Strukturen, die als künstliche Neuronen bekannt sind, um Daten zu verarbeiten und daraus zu lernen. Diese Netze sind grundlegend im Bereich der künstlichen Intelligenz, Dies ermöglicht erhebliche Fortschritte bei Aufgaben wie der Bilderkennung, Verarbeitung natürlicher Sprache und Vorhersage von Zeitreihen, unter anderen. Ihre Fähigkeit, komplexe Muster zu lernen, macht sie zu mächtigen Werkzeugen..., Rückgang von SteigungGradient ist ein Begriff, der in verschiedenen Bereichen verwendet wird, wie Mathematik und Informatik, um eine kontinuierliche Variation von Werten zu beschreiben. In Mathematik, bezieht sich auf die Änderungsrate einer Funktion, während des Studiums im Grafikdesign, Gilt für den Farbübergang. Dieses Konzept ist unerlässlich, um Phänomene wie die Optimierung von Algorithmen und die visuelle Darstellung von Daten zu verstehen, Ermöglicht eine bessere Interpretation und Analyse in... im Detail, Visualisierung neuronaler Netze, Backpropagation und Lernkonzept, Stapelverarbeitung und RegulierungDie Regularisierung ist ein administrativer Prozess, der darauf abzielt, die Situation von Personen oder Organisationen zu formalisieren, die außerhalb des gesetzlichen Rahmens tätig sind. Dieses Verfahren ist unerlässlich, um Rechte und Pflichten zu gewährleisten, sowie zur Förderung der sozialen und wirtschaftlichen Inklusion. In vielen Ländern, Die Regularisierung wird in Migrationskontexten angewendet, Arbeit und Steuern, denjenigen, die sich in irregulären Situationen befinden, den Zugang zu Sozialleistungen zu ermöglichen und sich vor möglichen Sanktionen zu schützen...., Wiederkehrende Netzwerke für Textdaten, LSTM und, schließlich, föderiertes Lernen }. Creme, wenn das nicht reicht um anzufangen, die meisten dinge sind es nicht.
5. Praktisches maschinelles Lernen mit Scikit-learn Keras und TensorFlow von Aurelion Geron Gepostet von O` Reilley
Sobald Sie mit den grundlegenden Statistiken fertig sind, Maschinelles Lernen und Deep Learning. Jetzt möchten Sie Ihr Spiel mit praktischen Implementierungen verbessern und ein vollständiges Deep-Learning-Modell in TensorFlow erstellen. Das ist das Buch, das nicht nur ich, aber auch Tensorflow schlägt vor.
Persönlich, Ich verfolge dieses Buch ständig und in Bezug auf Deep Learning mit TensorFlow, das ist mein bestes buch. Die Art und Weise, wie der Autor die Konzepte erklärt hat, ist außergewöhnlich einfach und intuitiv. Ich fühlte mich jedes Mal stärker, wenn ich mit einem bestimmten Abschnitt fertig war.
Das Buch ist eine Fundgrube an Wissen mit mehr als 800 Themenseiten: {Grundlagen, End-to-End-Projekt für maschinelles Lernen, Detaillierte Informationen zu den gängigsten Algorithmen und Techniken für maschinelles Lernen, Rote neuronale con Keras, Kundenspezifische Modelle und AusbildungTraining ist ein systematischer Prozess zur Verbesserung der Fähigkeiten, körperliche Kenntnisse oder Fähigkeiten. Es wird in verschiedenen Bereichen angewendet, wie Sport, Aus- und Weiterbildung. Zu einem effektiven Trainingsprogramm gehört auch die Zielplanung, Regelmäßiges Üben und Bewerten der Fortschritte. Anpassung an individuelle Bedürfnisse und Motivation sind Schlüsselfaktoren, um in jeder Disziplin erfolgreiche und nachhaltige Ergebnisse zu erzielen.... mit Tensorflow, Deep Computer Vision mit Faltungen, Sequenzmodelle mit RNN und LSTM, Pflegemodelle, Generatives Lernen wie Autoencoder und GAN, VerstärkungslernenReinforcement Learning ist eine Technik der künstlichen Intelligenz, die es einem Agenten ermöglicht, durch Interaktion mit einer Umgebung zu lernen, Entscheidungen zu treffen. Durch Feedback in Form von Belohnungen oder Bestrafungen, Der Agent optimiert sein Verhalten, um die kumulierten Belohnungen zu maximieren. Dieser Ansatz wird in einer Vielzahl von Anwendungen eingesetzt, Von Videospielen über Robotik bis hin zu Empfehlungssystemen, Er zeichnet sich durch seine Fähigkeit aus, komplexe Strategien zu erlernen....}.
Das parallele Lernen und Arbeiten mit diesem Buch wird Ihre Fähigkeiten im Bereich Machine Learning und Deep Learning in der Praxis komplett verändern.. Das solltest du unbedingt ausprobieren.
6. Deep Learning von Ian Goodfellow, Yoshua Bengio und Aaron Courville veröffentlicht von MIT Press
Lassen Sie mich ein paar Fakten klarstellen, Zu den Autoren dieses Buches zählen die Pioniere des Deep Learning, Yoshua Bengio, einer der drei Paten des Deep Learning, Beliebter Ian Goodfellow von dieser Schaffung von generativen Gegnernetzwerken (GAN).
Dieses Buch ist eine Legende unter allen Büchern über Deep Learning. Das Buch spricht nicht nur von Deep-Learning-Konzepten, Vielmehr zeigt es zunächst Ihr Wissen und Ihre Konzepte der angewandten Mathematik (Lineare Algebra, Wahrscheinlichkeits- und Informationstheorie, numerische Berechnungen) und grundlegende Konzepte des maschinellen Lernens in Bezug auf die Mathematik (die untersten Bausteine der künstlichen Intelligenz). ).
Sobald du den Teil durchgegangen bist 1, dann kommt es Teil 2 – detaillierte Studie zu Deep Learning: moderne Praktiken (Red Deep Feedforward, Regulierung, Optimierung, Faltungsnetzwerke, Sequenzmodellierung, Anwendungen).
Nachdem ich mich wirklich mit all diesen Konzepten beschäftigt und Hardcore-Logik und Intuition über Deep Learning entwickelt habe, kommt an Teil 3 (Deep-Learning-Forschung) Dazu gehören einige der beliebtesten Deep-Learning-Forschungsthemen wie (Probabilistische PCA und Faktorenanalyse, automatische Encoder, Strukturierte Wahrscheinlichkeitsmodelle für Deep Learning, Monte-Carlo-Methoden, tiefe generative Modelle und so weiter).
Ich würde dieses Buch nicht jedem empfehlen., aber an diejenigen, die sich besonders auf Deep Learning konzentrieren und bereit sind, sehr hart an allen Mathematik zu arbeiten und nicht vom Deep Learning abzuweichen.
7. Deep Learning für Programmierer mit fastai und PyTorch von Jeremy Howard und Sylvain Gugger Gepostet von O'Reilley
Das Beste retten vollständige Paketressource für das Ende. Dieses Buch gehört definitiv zu meinen 3 Lieblingsbücher, absolut schön nicht nur in Sachen Deep Learning, aber auch auf alle anderen sehr wichtigen Faktoren im Zusammenhang mit Deep Learning in der Praxis, Was Vom Modell bis zur Produktion, Datenethik und Ihre Deep-Learning-Reise (eine Karte zu folgen). Diese drei Dinge sind wirklich sehr wichtig, wenn Sie in der Praxis Deep Learning Engineer oder etwas Ähnliches werden möchten..
Unterstützt von der gesamten Website fast.ai um Menschen mit umfassenden Video-Tutorials kostenlos Deep Learning beizubringen, Labs in der Paperspace Deep-Learning-Umgebung, Einführung in eine sehr leistungsstarke Bibliothek für Deep Learning in PyTorch, z Rekrutierung. Das Buch ist ausführlich genug mit so vielen praktischen Inhalten, dass Sie nach jeder Lektüre definitiv etwas Neues lernen werden..
Lassen Sie mich Ihnen eine Vorstellung davon geben, was Sie in diesem Buch sehen werden. {Fastai-Anwendungen einschließlich Bildklassifizierung, modernstes Modelltraining, tiefe kollaborative Filteranalyse, tabellarische Modellierung, Tiefenanalyse von NLP, dann kommt weiter Sprachmodell von Grund auf, CNN-Architektur wie ResNets und alle anderen wesentlichen Deep-Learning-Architekturen von Grund auf neu} Ich empfehle dies Leuten, die an Deep Learning interessiert sind.
Das war's für diesen Artikel., Ich hoffe, du verbringst jetzt weniger Zeit damit, herumzuwandern und verwirrt zu sein und beginnst mit einem der Bücher, die du am meisten geliebt hast. Es wächst weiter, meine Kolleginnen und Kollegen der KI-Community.
Gargeya Sharma
B. Informationstechnologie 3. Jahr
Spezialisiert auf Data Science und Deep Learning
Data Scientist Praktikant bei Upswing Cognitive Hospitality Solutions
Für mehr Informationen, Überprüfen Sie meine Github-Homepage
Foto von Jakob Boman Über Unsplash
Die in diesem Artikel gezeigten Medien sind nicht Eigentum von DataPeaker und werden nach Ermessen des Autors verwendet.
