【導讀】英特爾數據科學家Dipanjan Sarkar等人最新撰寫的Python遷移學習實戰書籍《Hands-On Transfer Learning with Python》介紹使用Tensorflow和Keras實現基於前沿的深度學習模型和遷移學習示例。這本書，旨在幫助實踐者儲備在各自領域中使用這些技術的能力。本書大致分爲三個部分:深度學習基礎、遷移學習要點和遷移學習案例研究， 本書從ML和深度學習的核心基本概念開始，然後介紹了遷移學習的概念和預訓練的一些網絡模型，如VGG、Inception和ResNet。本書還介紹瞭如何提高深度學習模型的性能。最後，本書將重點討論計算機視覺、音頻分析和自然語言處理(NLP)等領域的大量實際案例研究和問題。隨書同時提供代碼，可以讓你動手測試改進。
書籍pdf沒有放出來，其代碼在GitHub上已經open，包含本書中使用的所有代碼、筆記和示例。
▌圖書介紹
遷移學習是一種機器學習（ML）技術，其中在訓練一組ML問題期間獲得的知識可用於訓練其他相似類型的問題。本書的目的是雙重的。其一是專注於深度學習和遷移學習的詳細介紹，將兩者使用易於理解的概念和示例進行比較和對比。其二是關注一些實際問題的研究，並使用tensorflow，keras和Python等來實現。
本書從ML和深度學習的核心基本概念開始，接着介紹了一些重要的深度學習框架，如CNNs、DNNs、RNNs、LSTMs和膠囊網絡。然後本書的重點轉移到遷移學習的概念和預訓練的一些網絡模型，如VGG、Inception和ResNet。本書還介紹瞭如何提高深度學習模型的性能。最後，本書將重點討論計算機視覺、音頻分析和自然語言處理(NLP)等領域的大量實際案例研究和問題。
主要特點:
- 用Python中的遷移學習原則構建深度學習模型
- 實現遷移學習用以解決現實世界的一些問題
- 執行一些複雜的操作，如圖像字幕的風格轉移
你將會學到:
- 使用圖形處理單元(GPU)和cloud建立你自己的深度學習環境
- 用ML和DL模型研究遷移學習原理
- 探索各種DL架構，包括CNN、LSTM和膠囊網絡
- 瞭解數據和網絡表示及損失函數
- 掌握遷移學習的模式和策略
- 從頭開始構建複雜的遷移學習模型，克服潛在的挑戰
- 探索與計算機視覺和音頻分析有關的現實研究問題
- 瞭解在NLP中如何利用遷移學習
關於讀者
“Python遷移學習實戰”是爲對數據感興趣的數據科學家、ML工程師、分析師和開發人員提供的，他們可以使用最前沿的遷移學習方法來解決現實世界中的難題。精通ML和Python是必須的。
關於作者
Dipanjan（DJ）Sarkar是英特爾的數據科學家，他利用數據科學，機器學習和深度學習來構建大規模智能系統。他擁有數據科學和軟件工程專業的技術碩士學位。他多年來一直從事分析工作，專攻機器學習、NLP、統計方法和深度學習。他對教育充滿熱情，在Springboard等各種組織中擔任數據科學導師，幫助人們學習數據科學。他還是 “Towards Data Science”的主要撰稿人和編輯，這是一本關於人工智能和數據科學的領先在線期刊。他還撰寫了幾本關於R，Python，機器學習，NLP和深度學習的書籍。
Raghav Bali是Optum（聯合健康集團）的數據科學家。他的工作涉及研究和開發基於機器學習，深度學習和自然語言處理的醫療保險和保險相關用例的企業級解決方案。在他之前在英特爾工作期間，他參與了主動數據驅動的IT計劃。他還在ERP和金融領域與世界上一些主要組織合作。 Raghav還與幾家知名出版商合作出版了多本書。Raghav擁有班加羅爾國際信息技術學院信息技術碩士學位（金牌得主）。
Tamoghna Ghosh是英特爾公司的一名機器學習工程師。他有11年的工作經驗，包括在微軟印度研究院(MSR) 4年的核心研究經驗。在MSR，他做過分組密碼密碼分析的研究助理。他的技術專長是大數據、機器學習、NLP、信息檢索、數據可視化和軟件開發。他獲得了印度統計研究所，加爾各答的M.Tech（計算機科學）學位和加爾各答大學的數學碩士學位，專攻功能分析和數學建模/動力系統。他對教學充滿熱情，併爲英特爾公司進行不同層次的數據科學內部培訓。
參考：
https://www.packtpub.com/big-data-and-business-intelligence/hands-transfer-learning-python
https://github.com/dipanjanS/hands-on-transfer-learning-with-python
▌詳細目錄
