亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

解鎖深度學習的突破性進展與這個廣泛修訂的新版本的暢銷原版。直接跟從Keras作者學習，并掌握實用的Python深度學習技術，很容易在現實世界中應用。

//www.manning.com/books/deep-learning-with-python-second-edition?a_aid=keras

在Python深度學習第二版中，您將學到:

• 從第一原理進行深度學習
• 圖像分類和圖像分割
• 時間序列預測
• 文本分類和機器翻譯
• 文本生成、神經樣式轉換和圖像生成

使用Python的深度學習已經教會了成千上萬的讀者如何將深度學習的全部能力付諸行動。這個經過廣泛修訂的第二版介紹了使用Python和Keras的深度學習，并為新手和有經驗的ML實踐者提供了深刻的見解。您將學習在現實世界中很容易應用的實用技術，以及完善神經網絡的重要理論。

最近在深度學習方面的創新開啟了令人興奮的新軟件功能，如自動語言翻譯、圖像識別等。深度學習正在迅速成為每一個軟件開發人員的必備知識，而像Keras和TensorFlow這樣的現代工具可以讓你觸手可及——即使你沒有數學或數據科學的背景。這本書告訴你如何開始。

Python深度學習，第二版介紹了使用Python和強大的Keras庫的深度學習領域。在這個修訂和擴展的新版本中，Keras創建者Fran?ois Chollet為新手和有經驗的機器學習實踐者提供了見解。當你讀這本書的時候，你會通過直觀的解釋、清晰的插圖和清晰的例子來建立你的理解。您將迅速掌握開始開發深度學習應用程序所需的技能。

如果你對機器學習很好奇，但不知道從哪里開始，這就是你一直在等待的書。它專注于被稱為深度學習的機器學習子領域，解釋了核心概念，并為您提供了開始構建自己的模型所需的基礎。而不是簡單地概述使用現有工具包的教程，實用深度學習教你為什么使用深度學習，并將激勵你進一步探索。

你所需要的是對計算機編程和高中數學的基本熟悉——這本書將涵蓋其余的內容。在介紹Python之后，您將瀏覽關鍵主題，如如何構建良好的訓練數據集，使用scikit-learn和Keras庫，并評估您的模型的性能。

您還將了解:

如何使用經典的機器學習模型，如k-最近鄰，隨機森林，和支持向量機 神經網絡是如何工作的，又是如何訓練的 如何使用卷積神經網絡 如何從零開始開發一個成功的深度學習模型 您將在此過程中進行實驗，構建最終的案例研究，其中包含您所學到的所有內容。 您將使用的所有代碼都可以在這里獲得: //github.com/rkneusel9/PracticalDeepLearningPython/

這是對這個動態的，不斷擴大的領域的完美介紹，實用深度學習將給你的技能和信心潛入自己的機器學習項目。

在生產中使用端到端示例構建和部署機器學習和深度學習模型。

本書以機器學習模型部署過程及其相關挑戰為重點。接下來，它涵蓋了使用不同的web框架(如Flask和Streamlit)構建和部署機器學習模型的過程。關于Docker的那一章將介紹如何打包和包含機器學習模型。本書還說明了如何使用Kubernetes建立和訓練大規模的機器學習和深度學習模型。

對于那些希望通過采用預構建模型并將其部署到生產環境中來提高機器學習水平的人來說，這本書是一個很好的起點。它還為那些想要超越Jupyter ，在云環境下進行大規模訓練的人提供了指導。書中提供的所有代碼都以Python腳本的形式提供給您，您可以嘗試這些示例并以有趣的方式擴展它們。

你將學會 :

使用Kubernetes大規模構建、訓練和部署機器學習模型

將任何類型的機器學習模型容器化，并使用Docker在任何平臺上運行

使用Flask和Streamlit框架部署機器學習和深度學習模型

掌握使用PyTorch實現深度學習解決方案的實踐方面，使用實踐方法理解理論和實踐。Facebook的人工智能研究小組開發了一個名為PyTorch的平臺，該平臺擁有良好的理論基礎和實用技能，為你在現實世界中應用深度學習做好了準備。

首先，您將了解PyTorch的深度學習是如何以及為什么成為一種具有開創性的框架，它帶有一組工具和技術來解決現實世界中的問題。接下來，這本書將為你打下線性代數、向量微積分、概率和最優化的數學基礎。在建立了這個基礎之后，您將繼續討論PyTorch的關鍵組件和功能，包括層、損失函數和優化算法。

您還將了解基于圖形處理單元(GPU)的計算，這對訓練深度學習模型是必不可少的。介紹了深度學習的前饋網絡、卷積神經網絡、循環神經網絡、長短時記憶網絡、自動編碼器網絡和生成對抗網絡等關鍵網絡結構。在許多訓練和優化深度學習模型的技巧的支持下，這個版本的Python深度學習解釋了使用PyTorch將這些模型帶到生產中的最佳實踐。

你會: 回顧機器學習的基本原理，如過擬合、欠擬合和正則化。 了解深度學習的基本原理，如前饋網絡，卷積神經網絡，遞歸神經網絡，自動微分和隨機梯度下降。 使用PyTorch深入應用線性代數 探索PyTorch的基本原理及其構建塊 使用調優和優化模型

深入機器學習模型的超參數調優，關注什么是超參數以及它們是如何工作的。這本書討論了超參數調優的不同技術，從基礎到高級方法。

這是一個循序漸進的超參數優化指南，從什么是超參數以及它們如何影響機器學習模型的不同方面開始。然后通過一些基本的(蠻力的)超參數優化算法。進一步，作者提出了時間和內存約束的問題，使用分布式優化方法。接下來，您將討論超參數搜索的貝葉斯優化，它從以前的歷史中學習。

這本書討論了不同的框架，如Hyperopt和Optuna，它們實現了基于順序模型的全局優化(SMBO)算法。在這些討論中，您將關注不同的方面，比如搜索空間的創建和這些庫的分布式優化。

機器學習中的超參數優化創建了對這些算法如何工作的理解，以及如何在現實生活中的數據科學問題中使用它們。最后一章總結了超參數優化在自動機器學習中的作用，并以創建自己的AutoML腳本的教程結束。

超參數優化是一項繁瑣的任務，所以請坐下來，讓這些算法來完成您的工作。

//link.springer.com/book/10.1007/978-1-4842-6579-6#about

你會:

了解超參數的變化如何影響模型的性能。

將不同的超參數調優算法應用于數據科學問題

使用貝葉斯優化方法創建高效的機器學習和深度學習模型

使用一組機器來分配超參數優化

利用超參數優化方法實現自動機器學習

利用實用的、循序漸進的方法運用計算機視覺和機器學習概念開發商業和工業應用。

這本書包括四個主要部分，從設置編程環境開始。第1節介紹了圖像和視頻處理的基礎知識，并提供了如何操作和從圖像中提取有用信息的代碼示例。您將主要使用OpenCV和Python來處理本節中的示例。

第2節描述機器學習和神經網絡的概念應用于計算機視覺。你將學習神經網絡的不同算法，比如convolutional neural network (CNN)， region-based convolutional neural network (R-CNN)， YOLO。在本節中，您還將學習如何訓練、調整和管理計算機視覺的神經網絡。第3節提供了逐步發展商業和工業應用的例子，如視頻監控中的面部識別和制造中的表面缺陷檢測。

最后一部分是關于在云基礎設施(如Amazon AWS、谷歌云平臺和Microsoft Azure)上訓練大量圖像的神經網絡。它引導您完成在基于gpu的云基礎設施上為計算機視覺訓練分布式神經網絡的過程。當您讀完《使用人工神經網絡構建計算機視覺應用程序》并完成代碼示例時，您將開發出一些使用深度學習的計算機視覺的真實使用案例。

你將學到什么

• 運用圖像處理、操作和特征提取技術
• 處理計算機視覺的各種深度學習算法
• 訓練、管理和調優CNNs和對象檢測模型的超參數，如R-CNN、SSD、YOLO
• 使用Keras和TensorFlow建立神經網絡模型
• 發現在商業和工業中實施計算機視覺應用的最佳實踐
• 在基于gpu的云基礎設施上訓練分布式模型

這本書是給誰的

• 具有Python編程知識的數據科學家、分析師、機器學習和軟件工程專業人員。

了解深度學習，不同模型的細微差別，以及這些模型可以應用的地方。

豐富的數據和對優質產品/服務的需求，推動了先進的計算機科學技術的發展，其中包括圖像和語音識別。通過機器學習和深度學習建立在數據科學的基礎上，《使用R進行深度學習的介紹》提供了對執行這些任務的模型的理論和實踐理解。這個分步指南將幫助您理解這些規程，以便您可以在各種上下文中應用該方法。所有的例子都是用R統計語言教授的，允許學生和專業人員使用開源工具來實現這些技術。

你將學習 理解支持深度學習模型的直覺和數學 利用各種算法使用R編程語言和它的包 使用最佳實踐進行實驗設計和變量選擇 作為一個數據科學家，實踐方法來接近和有效地解決問題 評估算法解決方案的有效性并增強其預測能力

這本書是給誰的

熟悉使用R編程的學生、研究人員和數據科學家也可以使用這本書來學習如何在最有用的應用程序中適當地部署這些算法。