Beginning Anomaly Detection Using Python-Based Deep Learning: Con Keras y Pytorch

Opiniones de los lectores

El libro recibió comentarios negativos, y los críticos expresaron su decepción por su extensión y la calidad de su contenido. Criticaron el uso de grandes imágenes que desperdiciaban espacio y cuestionaron la cualificación de uno de los autores. El crítico también expresó desconfianza en las reseñas disponibles en Amazon.

No se informó de los beneficios del libro.

El libro es excesivamente largo, con espacios en blanco innecesarios e imágenes de gran tamaño. Uno de los autores carece de cualificaciones suficientes. El revisor considera que el contenido es engañoso y cree que la calidad de la publicación es deficiente.

(basado en 2 opiniones de lectores)

Título original:

Beginning Anomaly Detection Using Python-Based Deep Learning: With Keras and Pytorch

Contenido del libro:

Utilice esta guía para principiantes fácil de seguir para comprender cómo se puede aplicar el aprendizaje profundo a la tarea de detección de anomalías. Utilizando Keras y PyTorch en Python, el libro se centra en cómo se pueden aplicar varios modelos de aprendizaje profundo a tareas de detección de anomalías semisupervisadas y no supervisadas.

Este libro comienza con una explicación de qué es la detección de anomalías, para qué se utiliza y su importancia. Después de cubrir los métodos estadísticos y tradicionales de aprendizaje automático para la detección de anomalías utilizando Scikit-Learn en Python, el libro proporciona una introducción al aprendizaje profundo con detalles sobre cómo construir y entrenar un modelo de aprendizaje profundo tanto en Keras como en PyTorch antes de cambiar el enfoque a las aplicaciones de los siguientes modelos de aprendizaje profundo para la detección de anomalías: varios tipos de Autoencoders, Restricted Boltzmann Machines, RNNs & LSTMs, y Temporal Convolutional Networks. El libro explora la detección de anomalías no supervisada y semisupervisada junto con los fundamentos de la detección de anomalías basada en series temporales.

Al final del libro tendrá una comprensión completa de la tarea básica de detección de anomalías, así como una variedad de métodos para abordar la detección de anomalías, que van desde los métodos tradicionales hasta el aprendizaje profundo. Además, se le introduce a Scikit-Learn y es capaz de crear modelos de aprendizaje profundo en Keras y PyTorch.

Lo que aprenderá

⬤ Entender qué es la detección de anomalías y por qué es importante en el mundo actual.

⬤ Familiarizarse con los enfoques estadísticos y tradicionales de aprendizaje automático para la detección de anomalías utilizando Scikit-Learn.

⬤ Conocer los fundamentos del aprendizaje profundo en Python usando Keras y PyTorch.

⬤ Conocer los conceptos básicos de la ciencia de datos para medir el rendimiento de un modelo: entender qué es AUC, qué significan precisión y recall, y más.

⬤ Aplicar el aprendizaje profundo a la detección de anomalías semisupervisada y no supervisada.

A quién va dirigido este libro

Científicos de datos e ingenieros de aprendizaje automático interesados en aprender los fundamentos de las aplicaciones del aprendizaje profundo en la detección de anomalías.