Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作

章節編排合理，內容淺顯易懂，還有實作程式，看完後收穫滿滿。這本書對我來說，已經成為了我生活的一部分。想必大家都能了解這本書的重要性。其實，若思緒夠清晰，那麼這本書也就不那麼複雜了。

寫的不怎麼樣的書，內容雜亂無章，東扯一點西補一塊，導致整個章節扯來扯去讓人摸不著頭腦，補充的東西重要就算了，有些東西根本無關緊要，反而打亂了原本閱讀的節奏
整體閱讀的感覺非常差，可習讀了一陣子了才覺得是本爛書，已經過了退貨期

附錄A的環境設置很糟糕，小編推薦使用anaconda，也不說一下安裝後如何使用，還不如不要推薦

內容不夠新，我是用wsl2-ubuntu安裝，結果問題一堆，用雙系統還比較快

2021-09-27

我是閱讀英文版的書，英文版的書真的是一本神作，我來評論是為了跟大家介紹一個教授所製作的一系列這本書的影片，內容講解的非常非常詳細，適合怕code看不懂或是怕觀念不夠清楚的人去看，youtube搜尋Chenghsi Hsieh，在他的影片清單中就看的到了，質量非常好的影片值得更多人知道，也不應該只有現在那少少的觀看次數。

機器學習領域的研究者應具備自主學習能力，這是一本適合入門研究者參考的資料來源之一。建議有閱讀障礙、太認真看待註解、評論沒建設性的酸民不要買。

小編賣弄式的 自己為好笑的評論 造成閱讀體驗中斷
讀起來倍覺痛苦 一段重要的描述讀下來還要開一個thread去filter小編廢文
造成閱讀效率大打折扣

連古人在註疏經典的時候都知道註疏要用小字體 本文要用大字體以方便閱讀
都9012年了還有這種荒唐排版出現
害我還要一邊讀書一邊畫刪除線砍掉那些廢文

可惜了一本經典 建議購買簡體版

有這種品質顯然責任編輯也是有問題的
以後不會買這間出版社的書

看到了下面的差評
特地先去書局翻了一下
還在看，先說一下比起簡体版的優點
1. 專有名詞直接附有英文，這個習慣太重要了，不然要Google還要查用什麼字。
2. 小編有自己的補充，這個見仁見智，就是譯者做為讀者去看這個章節哪邊說明不夠。
因為我前面是先看簡體版的，我覺得這點比簡体好，有補充，也不影響閱讀。
我感覺譯者很用心，受了委屈了，謝謝

看了這麼多本外文書的中文版，就以這本說的最詳細，不只翻譯都看得懂，有圖案線條輔助是在幹嘛，還有編著的註解，都對我在理解程式碼上起了非常大的作用。

如果還沒有KERAS入門書的同伴，我一定會推這一本給它們看！

譯者真的有看懂這本書嗎?
小編補充的東西到底在說啥?
有些東西不是直接翻譯就可以欸
直翻我不如丟GOOGLE翻譯

如果「TensorFlow+Keras深度學習人工智慧實務應用」是打開大門讓讀者走進Keras的玄關，那「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」就是邀請我們走到Keras的客廳好好地聊天喝茶。本書作者「François Chollet」是Keras的原創者，講解Keras又有誰能比他更權威？初章詳實說明「人工智慧」、「機器學習」以及「深度學習」三者之間的相交關係，替讀者建立扎實的基礎觀念。像是「深度學習」的「深度」指的是神經網路擁有「二層以上」的神經層，有別於最早的單層神經網路。還有數學「微分」當用在多維空間時便稱為「梯度」，而「梯度下降」是反向傳播(Backpropagation)算法的運作原理。

第二章則用來補充神經網路中所需要瞭解的數學概念。對離開學校多年的社會人士而言，這樣的章節設計真的是有打到痛點。閱覽機器學習的書籍時，最怕看到一堆唸不出來的數學符號與公式，讓讀者不求甚解地翻完，卻沒學到有用的知識。相反地「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」不羅列複雜的數學方程式，而是只補充對後續討論必須瞭解的數學算法(向量計算)。第三章一開始就讓讀者感受到Keras的威力，就像書封文案所說，透過短短六行程式碼，就已經建好一個能運作的神經網路模型。藉由作者巧思設計的範例，我們不費吹灰之力地使用了深度學習做出機器學習的典型應用「迴歸預測」。

接下來花了一個章節針對機器學習開發時種種的基礎知識進行介紹。包括「如何評估模型」、「資料的預處理」、「特徵工程」以及「過度擬合」等。在原作者以及編譯的高水準創作下，以深入淺出的文字具體而微地把這些觀念說清楚，相較之下市面上不少「機器學習」的教學書藉，在觀念部份都是語意不清地讓讀者摸不著頭緒。

五到八章算是第二篇的「深度學習應用範例」，恰好呈現「深度學習」與傳統「機器學習」最大的差異所在。我們可以說，這幾年的人工智慧浪潮，源自於神經網路在「視覺」、「圖像」以及「語音」辨識能力的驚人成績。而這些領域就是傳統「單純貝氏」、「支持向量機」和「隨機森林」等演算法表現不佳的領域。第五章的圖像處理、第六章的文字序列資料以及第八章的生成式神經網路，都是現今人工智慧運用的重點項目。隨著書中範例的一步步引導，讀者像學徒般已經被師傅領進門，站在這個基礎上再去打造自己的A.I.服務，讓我們面對人工智慧實作，不會再有霧裡看花的焦慮。

若硬要挑這本書的毛病，第七章有關「Keras函數式API」的內容，不像前面章節那樣提供由淺而深的引導式範例。以我個人而言，學到的內容可以說是囫圇吞棗，體會不到「函數式API」的精髓在那裡。另外第八章「生成式神經網路」的內容則是另一種問題。可能因為生成式深度學習的太過雜複，這章的範例不同於前面章節學到的Keras程式風格，程式碼的說明也草草帶過。歸究原因，VAE(變分自編碼器)以及GAN(生成對抗神經網路)原本就是很難理解的進階神經網路演算法。連作者都說光這兩個演算法本身就可以獨自出成一本書，作者嘗試只用一個章節的篇幅來介紹，是很難讓讀者理解演算法的全貌。雪上加霜的是，第八章的翻譯語句恰好變得不太流暢(有幾句怪怪的)，添加了該章學習的困難度。

個人因為從事大數據開發，因而開啟了機器學習的研究之路，而近年來研究機器學習，又不得不去摸索深度學習的相關技術。對一位沒有相關學術背景的軟體工程師而言，能藉由Keras框架的簡潔、易用，來避開使用Tensorflow打造神經網路模型的高門檻，是一件幸運的事。隨著A.I.工具發展與普及，未來的人們能更輕鬆地打造出自己心中的人工智慧應用。相信Keras依舊扮演著重要的角色，而「Deep learning 深度學習必讀：Keras 大神帶你用 Python 實作」是當下你不可錯過的工具書。