Deep Learning with TensorFlow 2 and Keras - Second Edition

- Autorzy:
- Antonio Gulli, Amita Kapoor, Sujit Pal


- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 646
- Dostępne formaty:
-
PDFePubMobi
Opis książki: Deep Learning with TensorFlow 2 and Keras - Second Edition
Deep Learning with TensorFlow 2 and Keras, Second Edition teaches neural networks and deep learning techniques alongside TensorFlow (TF) and Keras. You'll learn how to write deep learning applications in the most powerful, popular, and scalable machine learning stack available.
TensorFlow is the machine learning library of choice for professional applications, while Keras offers a simple and powerful Python API for accessing TensorFlow. TensorFlow 2 provides full Keras integration, making advanced machine learning easier and more convenient than ever before.
This book also introduces neural networks with TensorFlow, runs through the main applications (regression, ConvNets (CNNs), GANs, RNNs, NLP), covers two working example apps, and then dives into TF in production, TF mobile, and using TensorFlow with AutoML.
Wybrane bestsellery
-
Oto intuicyjny przewodnik dla średnio zaawansowanych programistów Pythona, pomyślany tak, by przyswajać zasady programowania zorientowanego obiektowo podczas praktycznych ćwiczeń. Dowiesz się, jakie problemy wiążą się z zastosowaniem podejścia proceduralnego i jak dzięki podejściu obiektowemu pis...
Python zorientowany obiektowo. Programowanie gier i graficznych interfejsów użytkownika Python zorientowany obiektowo. Programowanie gier i graficznych interfejsów użytkownika
(0,00 zł najniższa cena z 30 dni)62.30 zł
89.00 zł(-30%) -
To drugie, zaktualizowane i poprawione wydanie bestsellerowego podręcznika Programowania w Pythonie pozwoli Ci błyskawicznie zacząć tworzyć kod, który działa! Zaczniesz od zrozumienia podstawowych koncepcji programistycznych, następnie nauczysz się zapewniać programom interaktywność i wykształcis...(0,00 zł najniższa cena z 30 dni)
69.30 zł
99.00 zł(-30%) -
To kompleksowy podręcznik do nauki programowania w Pythonie. Jego piąte wydanie zostało gruntownie zaktualizowane i rozbudowane o dodatkowe treści. Omówiono tu najnowsze wersje Pythona w liniach 3.X i 2.X, czyli 3.3 i 2.7, i dodano opisy nowych lub rozszerzonych mechanizmów, takich jak obsługa fo...(0,00 zł najniższa cena z 30 dni)
139.30 zł
199.00 zł(-30%) -
Dzięki tej książce nauczysz się przekształcać suche dane liczbowe w pełną empatii narrację! Aby spełniły one swoje zadanie, ktoś musi przedstawić zawarte w nich informacje w postaci opowieści. W tej publikacji wyczerpująco i praktycznie opisano przebieg tego procesu. Jej lektura sprawi, że rozwin...
Opowieści ukryte w danych. Wyjaśnij dane i wywołaj działania za pomocą narracji Opowieści ukryte w danych. Wyjaśnij dane i wywołaj działania za pomocą narracji
(0,00 zł najniższa cena z 30 dni)20.90 zł
67.00 zł(-69%) -
Dzięki tej książce przekonasz się, jak wspaniałą przygodą jest programowanie i jak łatwo ją zacząć! Poznasz podstawy Pythona, dowiesz się, jak pisać i formatować kod, a także szybko nauczysz się uruchamiać swoje programy. Instrukcje sterujące, operatory, typy danych, funkcje, klasy i moduły nie b...
Python 3. Projekty dla początkujących i pasjonatów Python 3. Projekty dla początkujących i pasjonatów
(0,00 zł najniższa cena z 30 dni)41.93 zł
59.90 zł(-30%) -
Ta książka jest przystępnym wprowadzeniem do kryptografii i bibliotek kryptograficznych Pythona. Omówiono tu podstawowe koncepcje z tej dziedziny, najważniejsze algorytmy i niezbędny zakres podstaw matematycznych: liczby pierwsze, teorię grup czy generatory liczb pseudolosowych. Wyjaśniono, czym ...
Algorytmy kryptograficzne w Pythonie. Wprowadzenie Algorytmy kryptograficzne w Pythonie. Wprowadzenie
(0,00 zł najniższa cena z 30 dni)48.30 zł
69.00 zł(-30%) -
Metody statystyczne są kluczowym elementem data science, mimo to niewielu specjalistów data science posiada formalne wykształcenie statystyczne. Kursy i podręczniki o podstawach statystyki, rzadko kiedy omawiają temat z perspektywy data science. W drugim wydaniu tego popularnego podręcznika zosta...
Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II Statystyka praktyczna w data science. 50 kluczowych zagadnień w językach R i Python. Wydanie II
(0,00 zł najniższa cena z 30 dni)48.30 zł
69.00 zł(-30%) -
Oto pierwszy tom dzieła, które stanowi inspirujące spojrzenie na sztuczną inteligencję. Jego zrozumienie nie wymaga wybitnej znajomości informatyki i matematyki. Książka jest wspaniałą syntezą wczesnych i późniejszych koncepcji, a także technik, przeprowadzoną we frameworku idei, metod i technolo...
Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1 Sztuczna inteligencja. Nowe spojrzenie. Wydanie IV. Tom 1
(0,00 zł najniższa cena z 30 dni)118.30 zł
169.00 zł(-30%) -
To kolejne wydanie lubianego samouczka, dzięki któremu w ramach 24 godzinnych lekcji przyswoisz solidne podstawy programowania. Zrozumiesz, jak działają programy, i nauczysz się reguł stosowanych przez profesjonalistów przy ich projektowaniu. Dowiesz się, jak wygląda świat programistów i na czym ...
Programowanie dla początkujących w 24 godziny. Wydanie IV Programowanie dla początkujących w 24 godziny. Wydanie IV
(0,00 zł najniższa cena z 30 dni)41.40 zł
69.00 zł(-40%) -
Ta książka jest zwięzłym, skupionym na praktyce przewodnikiem po Pythonie w wersji 3.6 i nowszych. Dzięki niej skoncentrujesz się na rdzeniu języka i podstawowych zagadnieniach, które musisz doskonale opanować, jeśli chcesz pisać w nim dobry kod. Dowiesz się zatem, jak działa Python i jakich zasa...(0,00 zł najniższa cena z 30 dni)
48.30 zł
69.00 zł(-30%)
O autorze książki
1 Antonio Gulli, Amita Kapoor, Sujit PalAmita Kapoor od dwudziestu lat wykłada wiedzę o sieciach neuronowych na Uniwersytecie w Delhi. Interesuje się uczeniem maszynowym, sieciami neuronowymi, robotyką oraz buddyzmem i etyką w sztucznej inteligencji.
Antonio Gulli, Amita Kapoor, Sujit Pal - pozostałe książki
-
To książka przeznaczona dla osób, które chcą nauczyć się tworzyć całościowe rozwiązania z wykorzystaniem uczenia maszynowego. Poszczególne zagadnienia zilustrowano trzynastoma praktycznymi projektami, w których wykorzystano między innymi analizy sentymentów, przetwarzanie języka naturalnego, syst...
TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe TensorFlow. 13 praktycznych projektów wykorzystujących uczenie maszynowe
(35.40 zł najniższa cena z 30 dni)41.30 zł
59.00 zł(-30%) -
Build smarter systems by combining artificial intelligence and the Internet of Things--two of the most talked about topics today
-
Implement TensorFlow's offerings such as TensorBoard, TensorFlow.js, TensorFlow Probability, and TensorFlow Lite to build smart automation projects Key Features Use machine learning and deep learning principles to build real-world projects Get to grips with TensorFlow's impressive range of modul...
-
Take the next step in implementing various common and not-so-common neural networks with Tensorflow 1.xAbout This BookSkill up and implement tricky neural networks using Google's TensorFlow 1.xAn easy-to-follow guide that lets you explore reinforcement learning, GANs, autoencoders, multilayer per...
-
Get to grips with the basics of Keras to implement fast and efficient deep-learning modelsAbout This BookImplement various deep-learning algorithms in Keras and see how deep-learning can be used in gamesSee how various deep-learning models and practical use-cases can be implemented using KerasA p...
Ebooka przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video zobaczysz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolonych urządzeniach i aplikacjach obsługujących format MP4 (pliki spakowane w ZIP)
Szczegóły książki
- Tytuł oryginału:
- Deep Learning with TensorFlow 2 and Keras - Second Edition
- ISBN Ebooka:
- 978-18-388-2772-4, 9781838827724
- Data wydania ebooka:
-
2019-12-27
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@helion.pl.
- Język publikacji:
- angielski
- Rozmiar pliku Pdf:
- 17.8MB
- Rozmiar pliku ePub:
- 37.9MB
- Rozmiar pliku Mobi:
- 37.9MB
- Kategorie:
Programowanie » Python - Programowanie
Big Data » Analiza danych
Uczenie maszynowe
Spis treści książki
- Preface
- Mission
- Machine learning, artificial intelligence, and the deep learning Cambrian explosion
- Who this book is for
- What this book covers
- What you need for this book
- Downloading the example code
- Download the color images
- Conventions
- Get in touch
- Reviews
- References
- Neural Network Foundations with TensorFlow 2.0
- What is TensorFlow (TF)?
- What is Keras?
- What are the most important changes in TensorFlow 2.0?
- Introduction to neural networks
- Perceptron
- A first example of TensorFlow 2.0 code
- Multi-layer perceptron our first example of a network
- Problems in training the perceptron and their solutions
- Activation function sigmoid
- Activation function tanh
- Activation function ReLU
- Two additional activation functions ELU and LeakyReLU
- Activation functions
- In short what are neural networks after all?
- A real example recognizing handwritten digits
- One-hot encoding (OHE)
- Defining a simple neural network in TensorFlow 2.0
- Running a simple TensorFlow 2.0 net and establishing a baseline
- Improving the simple net in TensorFlow 2.0 with hidden layers
- Further improving the simple net in TensorFlow with Dropout
- Testing different optimizers in TensorFlow 2.0
- Increasing the number of epochs
- Controlling the optimizer learning rate
- Increasing the number of internal hidden neurons
- Increasing the size of batch computation
- Summarizing experiments run for recognizing handwritten charts
- Regularization
- Adopting regularization to avoid overfitting
- Understanding BatchNormalization
- Playing with Google Colab CPUs, GPUs, and TPUs
- Sentiment analysis
- Hyperparameter tuning and AutoML
- Predicting output
- A practical overview of backpropagation
- What have we learned so far?
- Towards a deep learning approach
- References
- TensorFlow 1.x and 2.x
- Understanding TensorFlow 1.x
- TensorFlow 1.x computational graph program structure
- Computational graphs
- TensorFlow 1.x computational graph program structure
- Working with constants, variables, and placeholders
- Examples of operations
- Constants
- Sequences
- Random tensors
- Variables
- Understanding TensorFlow 1.x
- An example of TensorFlow 1.x in TensorFlow 2.x
- Understanding TensorFlow 2.x
- Eager execution
- AutoGraph
- Keras APIs three programming models
- Sequential API
- Functional API
- Model subclassing
- Callbacks
- Saving a model and weights
- Training from tf.data.datasets
- tf.keras or Estimators?
- Ragged tensors
- Custom training
- Distributed training in TensorFlow 2.x
- Multiple GPUs
- MultiWorkerMirroredStrategy
- TPUStrategy
- ParameterServerStrategy
- Changes in namespaces
- Converting from 1.x to 2.x
- Using TensorFlow 2.x effectively
- The TensorFlow 2.x ecosystem
- Language bindings
- Keras or tf.keras?
- Summary
- Regression
- What is regression?
- Prediction using linear regression
- Simple linear regression
- Multiple linear regression
- Multivariate linear regression
- TensorFlow Estimators
- Feature columns
- Input functions
- MNIST using TensorFlow Estimator API
- Predicting house price using linear regression
- Classification tasks and decision boundaries
- Logistic regression
- Logistic regression on the MNIST dataset
- Summary
- References
- Convolutional Neural Networks
- Deep Convolutional Neural Network (DCNN)
- Local receptive fields
- Shared weights and bias
- A mathematical example
- ConvNets in TensorFlow 2.x
- Pooling layers
- Max pooling
- Average pooling
- ConvNets summary
- Deep Convolutional Neural Network (DCNN)
- An example of DCNN LeNet
- LeNet code in TensorFlow 2.0
- Understanding the power of deep learning
- Recognizing CIFAR-10 images with deep learning
- Improving the CIFAR-10 performance with a deeper network
- Improving the CIFAR-10 performance with data augmentation
- Predicting with CIFAR-10
- Very deep convolutional networks for large-scale image recognition
- Recognizing cats with a VGG16 Net
- Utilizing tf.keras built-in VGG16 Net module
- Recycling prebuilt deep learning models for extracting features
- Summary
- References
- Advanced Convolutional Neural Networks
- Computer vision
- Composing CNNs for complex tasks
- Classification and localization
- Semantic segmentation
- Object detection
- Instance segmentation
- Composing CNNs for complex tasks
- Classifying Fashion-MNIST with a tf.keras - estimator model
- Run Fashion-MNIST the tf.keras - estimator model on GPUs
- Deep Inception-v3 Net used for transfer learning
- Transfer learning for classifying horses and humans
- Application Zoos with tf.keras and TensorFlow Hub
- Keras applications
- TensorFlow Hub
- Computer vision
- Other CNN architectures
- AlexNet
- Residual networks
- HighwayNets and DenseNets
- Xception
- Answering questions about images (VQA)
- Style transfer
- Content distance
- Style distance
- Creating a DeepDream network
- Inspecting what a network has learned
- Video
- Classifying videos with pretrained nets in six different ways
- Textual documents
- Using a CNN for sentiment analysis
- Audio and music
- Dilated ConvNets, WaveNet, and NSynth
- A summary of convolution operations
- Basic convolutional neural networks (CNN or ConvNet)
- Dilated convolution
- Transposed convolution
- Separable convolution
- Depthwise convolution
- Depthwise separable convolution
- Capsule networks
- So what is the problem with CNNs?
- So what is new with Capsule networks?
- Summary
- References
- Generative Adversarial Networks
- What is a GAN?
- MNIST using GAN in TensorFlow
- What is a GAN?
- Deep convolutional GAN (DCGAN)
- DCGAN for MNIST digits
- Some interesting GAN architectures
- SRGAN
- CycleGAN
- InfoGAN
- Cool applications of GANs
- CycleGAN in TensorFlow 2.0
- Summary
- References
- Word Embeddings
- Word embedding origins and fundamentals
- Distributed representations
- Static embeddings
- Word2Vec
- GloVe
- Creating your own embedding using gensim
- Exploring the embedding space with gensim
- Using word embeddings for spam detection
- Getting the data
- Making the data ready for use
- Building the embedding matrix
- Define the spam classifier
- Train and evaluate the model
- Running the spam detector
- Neural embeddings not just for words
- Item2Vec
- node2vec
- Character and subword embeddings
- Dynamic embeddings
- Sentence and paragraph embeddings
- Language model-based embeddings
- Using BERT as a feature extractor
- Fine-tuning BERT
- Classifying with BERT command line
- Using BERT as part of your own network
- Summary
- References
- Recurrent Neural Networks
- The basic RNN cell
- Backpropagation through time (BPTT)
- Vanishing and exploding gradients
- The basic RNN cell
- RNN cell variants
- Long short-term memory (LSTM)
- Gated recurrent unit (GRU)
- Peephole LSTM
- RNN variants
- Bidirectional RNNs
- Stateful RNNs
- RNN topologies
- Example One-to-Many learning to generate text
- Example Many-to-One Sentiment Analysis
- Example Many-to-Many POS tagging
- Encoder-Decoder architecture seq2seq
- Example seq2seq without attention for machine translation
- Attention mechanism
- Example seq2seq with attention for machine translation
- Transformer architecture
- Summary
- References
- Autoencoders
- Introduction to autoencoders
- Vanilla autoencoders
- TensorFlow Keras layers defining custom layers
- Reconstructing handwritten digits using an autoencoder
- Sparse autoencoder
- Denoising autoencoders
- Clearing images using a Denoising autoencoder
- Stacked autoencoder
- Convolutional autoencoder for removing noise from images
- Keras autoencoder example sentence vectors
- Summary
- References
- Unsupervised Learning
- Principal component analysis
- PCA on the MNIST dataset
- TensorFlow Embedding API
- K-means clustering
- K-means in TensorFlow 2.0
- Variations in k-means
- Principal component analysis
- Self-organizing maps
- Colour mapping using SOM
- Restricted Boltzmann machines
- Reconstructing images using RBM
- Deep belief networks
- Variational Autoencoders
- Summary
- References
- Reinforcement Learning
- Introduction
- RL lingo
- Deep reinforcement learning algorithms
- Reinforcement success in recent years
- Introduction
- Introduction to OpenAI Gym
- Random agent playing Breakout
- Deep Q-Networks
- DQN for CartPole
- DQN to play a game of Atari
- DQN variants
- Double DQN
- Dueling DQN
- Rainbow
- Deep deterministic policy gradient
- Summary
- References
- TensorFlow and Cloud
- Deep learning on cloud
- Microsoft Azure
- Amazon Web Services (AWS)
- Google Cloud Platform (GCP)
- IBM Cloud
- Deep learning on cloud
- Virtual machines on cloud
- EC2 on Amazon
- Compute Instance on GCP
- Virtual machine on Microsoft Azure
- Jupyter Notebooks on cloud
- SageMaker
- Google Colaboratory
- Microsoft Azure Notebooks
- TensorFlow Extended for production
- TFX Pipelines
- TFX pipeline components
- TFX libraries
- TensorFlow Enterprise
- Summary
- References
- TensorFlow for Mobile and IoT and TensorFlow.js
- TensorFlow Mobile
- TensorFlow Lite
- Quantization
- FlatBuffers
- Mobile converter
- Mobile optimized interpreter
- Supported platforms
- Architecture
- Using TensorFlow Lite
- A generic example of application
- Using GPUs and accelerators
- An example of application
- Pretrained models in TensorFlow Lite
- Image classification
- Object detection
- Pose estimation
- Smart reply
- Segmentation
- Style transfer
- Text classification
- Question and answering
- A note about using mobile GPUs
- An overview of federated learning at the edge
- TensorFlow FL APIs
- TensorFlow.js
- Vanilla TensorFlow.js
- Converting models
- Pretrained models
- Node.js
- Summary
- References
- An introduction to AutoML
- What is AutoML?
- Achieving AutoML
- Automatic data preparation
- Automatic feature engineering
- Automatic model generation
- AutoKeras
- Google Cloud AutoML
- Using Cloud AutoML Tables solution
- Using Cloud AutoML Vision solution
- Using Cloud AutoML Text Classification solution
- Using Cloud AutoML Translation solution
- Using Cloud AutoML Video Intelligence Classification solution
- Cost
- Bringing Google AutoML to Kaggle
- Summary
- References
- The Math Behind Deep Learning
- History
- Some mathematical tools
- Derivatives and gradients everywhere
- Gradient descent
- Chain rule
- A few differentiation rules
- Matrix operations
- Activation functions
- Derivative of the sigmoid
- Derivative of tanh
- Derivative of ReLU
- Backpropagation
- Forward step
- Backstep
- Case 1 From hidden layer to output layer
- Case 2 From hidden layer to hidden layer
- Limit of backpropagation
- Cross entropy and its derivative
- Batch gradient descent, stochastic gradient descent, and mini-batch
- Batch Gradient Descent (BGD)
- Stochastic Gradient Descent (SGD)
- Mini-Batch Gradient Descent (MBGD)
- Thinking about backpropagation and convnets
- Thinking about backpropagation and RNNs
- A note on TensorFlow and automatic differentiation
- Summary
- References
- Tensor Processing Unit
- C/G/T processing units
- CPUs and GPUs
- TPUs
- C/G/T processing units
- Three generations of TPUs and Edge TPU
- First-generation TPU
- Second-generation TPU
- Third-generation TPU
- Edge TPU
- TPU performance
- How to use TPUs with Colab
- Checking whether TPUs are available
- Loading data with tf.data
- Building a model and loading it into the TPU
- Using pretrained TPU models
- Using TensorFlow 2.1 and nightly build
- Summary
- References
- Other Books You May Enjoy
- Index
Packt Publishing - inne książki
-
Save time and effort when building 3D scenes with this essential guide to creating stunning photorealistic 3D environments in Blender
-
Solve classic computer science problems from fundamental algorithms, such as sorting and searching, to modern algorithms in machine learning and cryptography
40 Algorithms Every Programmer Should Know - Second Edition 40 Algorithms Every Programmer Should Know - Second Edition
-
Use modern Python libraries such as pandas, NumPy, and scikit-learn and popular machine learning and deep learning methods to solve financial modeling problems
-
Get up to speed with Oracle's Autonomous Databases and implementation strategies for any workload or use case, including transactional, data warehousing, and non-relational databases
Oracle Autonomous Database in Enterprise Architecture Oracle Autonomous Database in Enterprise Architecture
-
Design, build, and deploy performant and maintainable web applications using Spring, Spring Boot, and Angular
-
Build CD pipelines following GitOps principles like declarative and immutable changes stored in version control, all continuously reconciled by Argo CD, and minimize the failure of deployments.
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
W przypadku usługi "Druk na żądanie" termin dostarczenia przesyłki może obejmować także czas potrzebny na dodruk (do 10 dni roboczych)
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.


Oceny i opinie klientów: Deep Learning with TensorFlow 2 and Keras - Second Edition Antonio Gulli, Amita Kapoor, Sujit Pal (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.