Отзывы на книгу: Грокаем глубокое обучение (Траск Э.); Издательский дом "Питер", 2019

Ellisabett в книге дан код для Python 2.7

Работаю с нейросетками довольно давно, причем без ML либ. Разработка C++/C#, классы MLP, RNN, LSTM, CNN, NEAT и подобные

Подарили книгу (покупал не знающий человек, зная что я читал когда-то книги этой серии[стоят на полке])

Всегда брал информацию в первоисточниках в виде научных работ/статей/журналов. Решил интереса ради в поездках прочесть книгу.

NumPy без всяких ML либ выбран правильно, так как нужно понимать что происходит внутри. Автор даёт достаточно много полезной информации, которую я получал после набивания кучи шишек и осознание некоторых моментов в работе заняло не один месяц. А тут оно есть (базово, но есть)

Backprop объясняется достаточно лаконично, по крайней мере гораздо лучше, чем во многих откопирайченных источниках русскоязычных, которые слепо копируют инфу друг у друга с наглухо зашитыми в математику сигмоидами (кто поймет тот поймет)

Картинки есть, их много. Когда информативные, когда нет. Чаще все таки информативные)

Но есть одно большое НО! В примерах КУЧА опечаток. Автор говорит одно, а написано другое. Пример - возьмём 10 и умножим на 2. А в примере написано 1*2. Это очень плохо.
Вы напишете код примера, запустите, он выдаст результат по заданным данным. Бац - цифры в книге другие. И вы не будете знать это вы ошиблись или в книге опечатка!

Я не проверял код на корректность, так как мне это не было интересно, но некоторые места пересчитывал с калькулятором, когда явно видел расхождение в цифрах.

Книга пойдет начинающим, но не совсем \"нулевым\" ребятам. Надо чтобы вы знали векторные и матричные операции, шо такое корреляция и как работают массивы) База простая, но потребуется.

От себя: крайне советую не просто повторять примеры из книги, забивая его в компуктер и ожидая циферок, а посчитать прямой/обратный проход для пары узлов вручную, на листике с калькулятором. Вы гораздо больше поймёте и запомните, нежели просто все скормите Python\'у и через неделю забудете.

И так делать для всего нового в ML, что можно посчитать. Матана там порой очень много и мат.пакетами типа Maple, Matcad, Wolfram Alpha и подобными на работе пользоваться точно придется.

P.s. Конечно если вам нужно просто сделать курсач на TensorFlow или что-нибудь из такого простого, то углубляться в матан совсем не обязательно. Вы быстро разочаруетесь в кажущейся простоте нейронок

Потрясающим образом, ни один пример кода из этой книги "так как есть" не работает из-за ошибок...
Впечатляет. 100%
Абсолютная неспособность автора/ переводчика давать переменным и функциям адекватные имена - тоже очень мешает пониманию.

отличная книга для начинающих. все изложено максимально просто и наглядно, ну может за исключением пары мест, но считаю это простительным

Решил вникнуть в тему глубокого обучения и как всегда решил начать с азов, с истоков так сказать. скажу сразу, что если кто-то решит также как и я начать с истоков,то начните с книги Тарик Рашид "Создаём нейронную сеть" вот там то действительно для самых маленьких. потом уже можно читать .... нет не эту книгу,а "глубокое обучение в картинках" Джон Крон. после можно грокать т.е. читать эту книгу. Меня удивило просто огромное количество опечаток в книге. например автор вызывает метод, но нигде нет реализации этого метода. также когда код становиться сложнее, листинг длиннее вот тут то и сюрпризы с отступами начинаются, а для питона отступы важны. скажу так, что если знать питон то это всё ерунда. тем более после прочтения пары более базовых книг, будет все более понятно. если кому-то важно какую книгу читать после это , то я читал "глубокое обучение.погружение в мир нейронных сетей" там хардкор)))

1- Легко читается (одна из лучших книг для начала работы)
2- Практический подход к реализации нейронных сетей
3- Некоторое введение в популярные библиотеки ИИ, такие как Numpy
4- Хорошее руководство по следующим шагам
*

Недостатки:
1 - Проблемы с синтаксисом и кодированием, которые легко обнаружить наметанным глазом, но не так просто для новичка.
2- Некоторые типографские ошибки в книге

Автор без образования. Стиль путаный.
Почти полкниги ни о чем, программы плохие, теории нет, алгоритмы не объясняет, множество ошибок.
Более тупой книги я не видел. Какие то путанные блок схемы, диаграммы дает всю дорогу. Рекуррентные сети не правильно написал. Не понимает вообще правила работы с естественным языком. В предисловии написано, что дана программа-переводчик. Нет такой программы в книге.
В заголовках глав написано, что пишет программа как Шекспир
Ничего его программы не пишут
Эту книгу на помойку выкинуть

Как студенту только что поступившему было полезно. Не все понятно еще, но максимально доступно. Для старта подходит, не исчерпывающее руководство, но захотелось изучать еще.
Однозначно рекомендую.

Очень доступная (для понимания) книга. Когда читаешь, прямо чувствуется, что автор любит людей! Старается разжевать всё максимально понятно!
Ещё особенность: многие книги по программированию мне лично приходится перечитывать по несколько раз – бывает что абзац или главу читаешь, думаешь, потом перечитываешь опять (потому, что не всё понятно сразу). То вот именно в этой книге не то, что с первого раза понятно, а бывает что наоборот? ты уже понял, а автор сам намеренно повторяет рисунки, примеры кода и определения. Чтобы не приходилось листать назад чтобы посмотреть начало главы.

книга супер

Конечно это книга начального уровня, хотелось бы мне иметь её лет 20 назад, но очень неплохой подход, процесс показан со всех сторон, всё понятно, воспроизводимо на пальцах. Да и добирается автор в своём изложении машинного обучения достаточно глубоко, не каждый новичок даже мечтал оказаться в таких дебрях :-) В общем отличная книга, с хорошими иллюстрациями, для тех кто хочет понять азы и чуть дальше, да ещё на примере практически значимых языков и библиотек программирования, которые реально используются в "большом" машинном обучении и науке о данных.
Отталкиваясь от этого введения, при начальных навыках программирования на языке Python, можно плавно перейти к тому же Tensorflow (PyTorch) в плане реализации алгоритмов и более сложным математическим описаниям в других книгах. Стоит предупредить читателя, что книга главным образом фокусируется на нейронных алгоритмах, хотя машинное обучение включает гораздо больше научных областей, например статистические и вероятностные методы, которые в некоторых случаях оказываются даже "мощнее" нейронных. Для знакомства с этими аспектами машинного обучения вам потребуется другая книга.
Вердикт: рекомендуется к прочтению интересующимся базовыми алгоритмами нейронного машинного обучения, чтобы знать что под капотом и лично потрогать каждую гайку, прежде чем пускаться во все тяжкие с тяжёлыми фреймворками :-)

Я влюбился в первую книгу грокаем алгоритмы,
очень сильно ждал выход этой книги, но как показывает листинг кода, очень много опечаток, код проработан плохо, материал сильно для чайноков.