Título: Applied Deep Learning: A Case-Based Approach to Understanding Deep Neural Networks
Autor: Umberto Michelucci
Sinopse: Work with advanced topics in deep learning, such as optimization algorithms, hyper-parameter tuning, dropout, and error analysis as well as strategies to address typical problems encountered when training deep neural networks. You’ll begin by studying the activation functions mostly with a single neuron (ReLu, sigmoid, and Swish), seeing how to perform linear and logistic regression using TensorFlow, and choosing the right cost function. The next section talks about more complicated neural network architectures with several layers and neurons and explores the problem of random initialization of weights. An entire chapter is dedicated to a complete overview of neural network error analysis, giving examples of solving problems originating from variance, bias, overfitting, and datasets coming from different distributions. Applied Deep Learning also discusses how to implement logistic regression completely from scratch without using any Python library except NumPy, to let you appreciate how libraries such as TensorFlow allow quick and efficient experiments. Case studies for each method are included to put into practice all theoretical information. You’ll discover tips and tricks for writing optimized Python code (for example vectorizing loops with NumPy). What You Will Learn Implement advanced techniques in the right way in Python and TensorFlow Debug and optimize advanced methods (such as dropout and regularization) Carry out error analysis (to realize if one has a bias problem, a variance problem, a data offset problem, and so on) Set up a machine learning project focused on deep learning on a complex dataset Who This Book Is For Readers with a medium understanding of machine learning, linear algebra, calculus, and basic Python programming.
Contexto da obra
Quando a classificação é mais ampla, o contexto do livro costuma depender ainda mais de autoria, tema e edição. “Applied Deep Learning: A Case-Based Approach to Understanding Deep Neural Networks”, de Umberto Michelucci, publicado pela editora Apress, em 2018 e com 434 páginas, integra a categoria Livros Variados. Por isso, autoria, edição e tema acabam tendo ainda mais peso na forma de apresentar o livro.
Editora: Apress
Páginas: 434
Ano: 2018
Edição: 1st ed.
Linguagem: pt_BR
ISBN: 9781484237892
ISBN13: 9781484237892
Sobre a editora
Os livros da editora Apress costumam oferecer uma experiência de leitura focada em tecnologia e programação, com um tom prático e direto, que privilegia o aprendizado aplicado. O catálogo apresenta obras que vão desde linguagens de programação populares, como Python, C#, Objective-C e Java, até temas mais específicos como desenvolvimento para iOS, frameworks web, inteligência artificial e administração de servidores Linux. Muitas obras adotam um formato didático, com exemplos de código, receitas de solução de problemas e guias passo a passo, que facilitam o entendimento mesmo para leitores que buscam rapidez e objetividade. O ritmo tende a ser funcional, focado em levar o leitor a resultados concretos, com linguagem clara e sem rodeios.
