TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning

Эта книга представляет собой практическое руководство по использованию TensorFlow для решения задач глубокого обучения. Авторы начинают с фундаментальных концепций машинного обучения, таких как линейная и логистическая регрессия, и постепенно переходят к более сложным архитектурам глубоких нейронных сетей.

В книге подробно рассматриваются основные строительные блоки глубокого обучения: полносвязные слои, сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и долгой краткосрочной памяти (LSTM). Особое внимание уделяется современным архитектурам, включая ResNet, модели нейронного машинного перевода и генеративно-состязательные сети (GAN).

Практическая часть книги охватывает ключевые аспекты работы с TensorFlow: тензорные операции, графы вычислений, автоматическое дифференцирование и оптимизацию гиперпараметров. Авторы демонстрируют, как реализовывать и обучать модели на реальных наборах данных, используя методы регуляризации и мини-пакетное обучение.

Книга также затрагивает продвинутые темы, такие как обучение с подкреплением, нейронные машины Тьюринга и одношаговое обучение. Особое внимание уделяется инструментам отладки и визуализации, включая TensorBoard для мониторинга сходимости моделей.

Издание подходит как для начинающих, так и для опытных специалистов, желающих освоить практическое применение TensorFlow в области глубокого обучения и искусственного интеллекта.