Ich habe gerade die "frühe Veröffentlichung" gelesen, dh den rohen und unbearbeiteten Text - wie es auf der O'Reilly-Website beschrieben wird. Es ist keine Lüge, es gibt Tippfehler und kleinere Fehler sowie mehrere fehlende Abschnitte.

Ich bin enttäuscht. Ich fand, dass dieses Buch auf halbem Weg zwischen Theorie und Praxis bleibt, aber in keiner Hinsicht herausragend ist. Zum Beispiel fand ich die Präsentationen von Boltzmann-Maschinen (BM), wiederkehrenden neuronalen Netzen (RNN) oder Faltungs-neuronalen Netzen (CNN) zu kurz und zu flach, und ich musste andere Ressourcen durchgehen, um sie zu verstehen. Ich weiß nicht, wie hilfreich die DL4J-Beispiele für den Praktiker sind, da ich nicht versucht habe, sie auszuführen. Da sich die Technologie schnell weiterentwickelt, wird dieses Buch wahrscheinlich bald veraltet sein. Ich mochte immer noch die allgemeine Anleitung, wann welcher Algorithmus verwendet werden sollte (Optimierung, Gewichtungsinitialisierung, Regularisierung usw.).

Wenn Sie wie ich nach einer Ressource suchen, die Ihnen hilft, etwas über tiefes Lernen zu lernen, möchten Sie vielleicht weiter suchen.

Ich hatte erwartet, dies über einen viel längeren Zeitraum zu lesen als ich - ich habe das meiste davon in einer Nacht durchgerissen. Aber selbst als Überblick auf hoher Ebene über den Stand des tiefen Lernens habe ich das Gefühl, viel gelernt zu haben - in der Tat, weil ich nicht die Möglichkeit hatte, D4LJ-Apis wirklich durcheinander zu bringen, sondern mich stattdessen auf den Ansatz auf hoher Ebene konzentrieren könnte habe mehr aus diesem Buch herausgeholt, als ich sonst hätte. (Ich habe keinen Mangel an detaillierten Papieren und Büchern, die sich verstauben, weil ich es nicht verstanden habe, bestimmte Details zu verstehen). Gleichzeitig gab sein Fokus darauf, „für Praktizierende“ zu sein, einige nützliche Tipps, auf die ich zurückblicken kann (z. B. wenn es heißt, dass fast alle Werte für die Ausfallwahrscheinlichkeit über die Extreme hinaus ungefähr gleich funktionieren, also die meisten oft bleibt es nur bei 0.5 - das ist genau die Faustregel, die ich wirklich schätze).

Ich würde dieses Buch jedem empfehlen, der mit KI-Techniken / NN vertraut ist, sich aber in den letzten zehn Jahren nicht mit der Breite der Entwicklung auseinandergesetzt hat.

Die Erklärungen sind in Ordnung. Hätte tiefer gehen können, um herauszufinden, was die Formeln tatsächlich bedeuten.

Gute Erklärung gängiger Architekturen für neuronale Netze. Auch für welche Fälle sie in der Praxis anzuwenden sind.

Zu viel Druck des Quellcodes im Buch. Lust auf ein Buch aus den 90ern.

Книга больше похожа на конспект и личные заметки автора - создается впечатление, что читаешь о
Помимо этого, перевод немного оторван от предметной области. Верность (как перевод Genauigkeit), мини-пакеты, ОЕЯ, СНС звучат довольно странно, хотя может кто-то использе

Wie andere Leser bereits betont haben, handelt es sich um einen Leitfaden für Praktizierende. Nicht viel Tiefe in der Theorie hinter den DL-Algorithmen. Enthält jedoch einige nützliche Tipps für Modelle. Ich würde dieses Buch auf einem sehr hohen Niveau sagen und die Leser sollten Deep Learning von Ian GoodFellow und Yoshua Bengio für die Theorie lesen.

Ich fand es zu scharf vermieden, die mathematischen Grundlagen von Konzepten zu zeigen (ohne das kann man viele dieser Dinge nicht wirklich richtig verstehen, vielleicht würden andere anderer Meinung sein). Interessant zu sehen, wie Java-Frameworks funktionieren, kann noch einmal besuchen

"Im Bereich des Deep Learning gibt es heute viel Marketinglärm und Hype, einige davon zu Recht."

Theorieüberblick über Deep Learning from Ground. Beispiele für die DL4J-Java-Bibliothek. Beinhaltet einen Hauch von Verstärkungslernen.

Gut für den grundlegenden Überblick über die Konzepte, aber Codes, die auf Java erstellt wurden. Wenn sie die Konzepte in Python implementieren, ist dies für die meisten Entwickler und Forscher hilfreich