Uczenie głębokie w Pythonie: Poznaj najlepsze praktyki modeli głębokiego uczenia z Pytorch

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 6 głosach.

Oryginalny tytuł:

Deep Learning with Python: Learn Best Practices of Deep Learning Models with Pytorch

Zawartość książki:

Opanuj praktyczne aspekty wdrażania rozwiązań głębokiego uczenia za pomocą PyTorch, wykorzystując praktyczne podejście do zrozumienia zarówno teorii, jak i praktyki. To zaktualizowane wydanie przygotuje cię do zastosowania głębokiego uczenia w rzeczywistych problemach dzięki solidnym podstawom teoretycznym i praktycznemu know-how z PyTorch, platformą opracowaną przez Facebook's Artificial Intelligence Research Group.

Zaczniesz od spojrzenia na to, jak i dlaczego głębokie uczenie z PyTorch stało się przełomowym frameworkiem z zestawem narzędzi i technik do rozwiązywania rzeczywistych problemów. Następnie książka wprowadzi cię w matematyczne podstawy algebry liniowej, rachunku wektorowego, prawdopodobieństwa i optymalizacji. Po ustanowieniu tych podstaw, przejdziesz do kluczowych komponentów i funkcjonalności PyTorch, w tym warstw, funkcji stratnych i algorytmów optymalizacji.

Zrozumiesz również obliczenia oparte na procesorach graficznych (GPU), które są niezbędne do trenowania modeli głębokiego uczenia. Omówione zostały wszystkie kluczowe architektury uczenia głębokiego, w tym sieci sprzężone, sieci neuronowe splotowe, rekurencyjne sieci neuronowe, sieci z długą pamięcią krótkotrwałą, autoenkodery i generatywne sieci przeciwstawne. Ta edycja Deep Learning with Python, wsparta wieloma sztuczkami handlowymi do trenowania i optymalizacji modeli głębokiego uczenia się, wyjaśnia najlepsze praktyki w przenoszeniu tych modeli do produkcji za pomocą PyTorch.

Czego się nauczysz

⬤ Przegląd podstaw uczenia maszynowego, takich jak overfitting, underfitting i regularizacja.

⬤ Zrozumieć podstawy głębokiego uczenia się, takie jak sieci typu feed-forward, sieci neuronowe splotowe, rekurencyjne sieci neuronowe, automatyczne różnicowanie i stochastyczne opadanie gradientu.

⬤ Zastosowanie dogłębnej algebry liniowej z PyTorch.

⬤ Poznaj podstawy PyTorch i jego elementy składowe.

⬤ Praca z dostrajaniem i optymalizacją modeli.

Dla kogo jest ta książka

Początkujący z praktyczną znajomością języka Python, którzy chcą zrozumieć Deep Learning w praktyczny, praktyczny sposób.