Puntuación:
El libro ofrece ideas prácticas para aplicar el aprendizaje automático, centrándose especialmente en las redes de creencia profunda. Sin embargo, su calidad se ve empañada por numerosas erratas y explicaciones deficientes, junto con una falta de contenido original en todos los volúmenes. Mientras que algunos lectores lo encontraron útil para el aprendizaje, otros lo criticaron por ser un esfuerzo autopublicado de baja calidad.
Ventajas:⬤ Práctico y perspicaz
⬤ proporciona una buena comprensión de la implementación del aprendizaje automático
⬤ contiene útiles ejemplos de código C++
⬤ mejora la comprensión de las redes de creencias profundas
⬤ elogiado por algunos como un recurso absolutamente asombroso que mejora la velocidad de ejecución y la precisión.
⬤ Mala calidad de redacción, con muchas erratas y explicaciones confusas
⬤ el contenido parece reciclado en varios volúmenes
⬤ incluye demasiada documentación de código
⬤ carece de diagramas y elementos visuales claros
⬤ muchos recomiendan mejores recursos disponibles en línea o por otros medios.
(basado en 11 opiniones de lectores)
Deep Belief Nets in C++ and Cuda C: Volume 1: Restricted Boltzmann Machines and Supervised Feedforward Networks
Descubra los bloques de construcción esenciales de las formas más comunes de redes de creencias profundas. En cada paso, este libro proporciona una motivación intuitiva, un resumen de las ecuaciones más importantes relevantes para el tema y concluye con código altamente comentado para computación en hilos en CPU modernas, así como procesamiento paralelo masivo en ordenadores con tarjetas de visualización de vídeo con capacidad CUDA.
Deep Belief Nets in C++ and CUDA C: Volume 1 es el primero de una serie sobre aprendizaje profundo y redes de creencias en C++ y CUDA C, y muestra cómo la estructura de estos elegantes modelos es mucho más parecida a la del cerebro humano que a la de las redes neuronales tradicionales; tienen un proceso de pensamiento capaz de aprender conceptos abstractos construidos a partir de primitivas más simples. Así, verá que una red de creencias profunda típica puede aprender a reconocer patrones complejos optimizando millones de parámetros, y aun así este modelo puede ser resistente al sobreajuste.
Todas las rutinas y algoritmos presentados en el libro están disponibles en la descarga de código, que también contiene algunas bibliotecas de rutinas relacionadas.
Lo que aprenderá
⬤ Emplear el aprendizaje profundo utilizando C++ y CUDA C.
⬤ Trabajar con redes feedforward supervisadas.
⬤ Implementar máquinas de Boltzmann restringidas.
⬤ Utilizar muestreos generativos.
⬤ Descubra por qué son importantes.
A quién va dirigido este libro
Aquellos que tengan al menos conocimientos básicos de redes neuronales y algo de experiencia previa en programación, aunque se recomienda algo de C++ y CUDA C.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)