Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - J. Howard, S. Gugger

Opis produktu: Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - J. Howard, S. Gugger

Praktyczny przewodnik o koncepcjach uczenia głębokiego autorstwa J. Howard, S. Gugger. Ułatwia zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka wyjaśnia podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Zawiera także praktyczne techniki przekształcania modeli w działające aplikacje oraz mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli.

W książce znajdują się między innymi:

• gruntownie i przystępnie omówione podstawy uczenia głębokiego
• najnowsze techniki uczenia głębokiego i ich praktyczne zastosowanie
• działanie modeli oraz zasady ich treningu
• praktyczne tworzenie aplikacji korzystających z uczenia głębokiego
• wdrażanie algorytmów uczenia głębokiego
• etyczne implikacje AI

Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - J. Howard, S. Gugger. Książka przeznaczona jest dla programistów.

Książka przedstawia koncepcje uczenia głębokiego.

Informacje o książce

• Autor: Jeremy Howard, Sylvain Gugger
• Tytuł oryginalny: Deep Learning for Coders with fastai and PyTorch: AI Applications Without a PhD
• Tłumaczenie: Jacek Janusz
• Wydawca: Helion SA
• Rok wydania: 2021
• Liczba stron: 544
• ISBN: 978-83-283-7509-3
• Format: 168 x 237 mm

O Autorze

Jeremy Howard to przedsiębiorca, ekspert, programista i naukowiec. Wykłada na Uniwersytecie w San Francisco. Inwestował w wiele start-upów, był ich mentorem i doradcą.

Sylvain Gugger to inżynier badawczy w Hugging Face. Wcześniej nauczał informatyki i matematyki w ramach programu CPGE. Autor kilku cenionych podręczników.

Spis treści

Opinie o książce

Wstęp

• Dla kogo jest przeznaczona ta książka?
• Co musisz wiedzieć?
• Czego się nauczysz dzięki tej książce?

Przedmowa

Część I. Uczenie głębokie w praktyce

Rozdział 1. Podróż po świecie uczenia głębokiego

• Uczenie głębokie jest dla każdego
• Sieci neuronowe krótka historia
• Kim jesteśmy?
• Jak zdobyć wiedzę o uczeniu głębokim?
• Oprogramowanie: PyTorch, fastai i Jupyter (i dlaczego nie ma to znaczenia)
• Twój pierwszy model
• Uczenie głębokie to nie tylko klasyfikowanie obrazów
• Zbiory walidacyjne i testowe
• Moment, w którym wybierasz swoją własną przygodę
• Pytania

Rozdział 2. Od modelu do produkcji

• Praktyczne zastosowanie uczenia głębokiego
• Gromadzenie danych
• Od danych do obiektu DataLoaders
• Trenowanie modelu i używanie go do czyszczenia danych
• Przekształcanie modelu w aplikację internetową
• Jak uniknąć katastrofy
• Zapisuj!
• Pytania

Rozdział 3. Etyka danych

• Kluczowe przykłady etyki danych
• Integracja uczenia maszynowego z projektowaniem produktu
• Zagadnienia związane z etyką danych
• Identyfikowanie i rozwiązywanie problemów etycznych
• Rola polityki
• Wnioski
• Pytania
• Uczenie głębokie w praktyce to wszystko!

Część II. Zrozumienie aplikacji fastai

Rozdział 4. Jak to wygląda od środka trenowanie klasyfikatora cyfr

• Piksele podstawa widzenia komputerowego
• Podejście pierwsze: podobieństwo pikseli
• Wyznaczanie wskaźników z wykorzystaniem rozgłaszania
• Stochastyczny spadek wzdłuż gradientu
• Funkcja straty MNIST
• Złożenie wszystkiego w całość
• Wprowadzanie nieliniowości
• Podsumowanie słownictwa
• Pytania

Rozdział 5. Klasyfikowanie obrazów

• Od psów i kotów do ras zwierząt domowych
• Dobór wstępny
• Entropia krzyżowa
• Interpretacja modelu
• Poprawianie modelu
• Podsumowanie
• Pytania

Rozdział 6. Inne zagadnienia związane z widzeniem komputerowym

• Klasyfikacja wieloetykietowa
• Regresja
• Podsumowanie
• Pytania

Rozdział 7. Trenowanie supernowoczesnego modelu

• Imagenette
• Normalizacja
• Progresywna zmiana rozmiaru
• Wydłużenie czasu testu
• Mixup
• Wygładzanie etykiet
• Podsumowanie
• Pytania

Rozdział 8. Szczegółowa analiza filtrowania zespołowego

• Pierwszy kontakt z danymi
• Czynniki ukryte
• Tworzenie obiektu DataLoaders
• Filtrowanie zespołowe od podstaw
• Interpretacja osadzeń i przesunięć
• Uruchamianie modelu filtrowania zespołowego
• Uczenie głębokie w filtrowaniu zespołowym
• Podsumowanie
• Pytania

Rozdział 9. Szczegółowa analiza modelowania tabelarycznego

• Osadzenia skategoryzowane
• Poza uczeniem głębokim
• Zbiór danych
• Drzewa decyzyjne
• Lasy losowe
• Interpretacja modelu
• Ekstrapolacja i sieci neuronowe
• Łączenie w zespoły
• Podsumowanie
• Pytania

Rozdział 10. Szczegółowa analiza przetwarzania języka naturalnego rekurencyjne sieci neuronowe

• Wstępne przetwarzanie tekstu
• Trenowanie klasyfikatora tekstu
• Dezinformacja i modele językowe
• Podsumowanie
• Pytania

Rozdział 11. Przygotowywanie danych dla modeli za pomocą interfejsu API pośredniego poziomu z biblioteki fastai

• Szczegółowa analiza warstwowego interfejsu programistycznego biblioteki fastai
• TfmdLists i Datasets kolekcje przekształcone
• Zastosowanie interfejsu API pośredniego poziomu SiamesePair
• Podsumowanie
• Pytania
• Zrozumienie aplikacji fastai podsumowanie

Część III. Podstawy uczenia głębokiego

Rozdział 12. Tworzenie od podstaw modelu językowego

• Dane
• Tworzenie od podstaw pierwszego modelu językowego
• Ulepszanie sieci RNN
• Wielowarstwowe rekurencyjne sieci neuronowe
• Architektura LSTM
• Regularyzacja modelu LSTM
• Podsumowanie
• Pytania

Rozdział 13. Konwolucyjne sieci neuronowe

• Magia konwolucji
• Pierwsza konwolucyjna sieć neuronowa
• Obrazy kolorowe
• Ulepszanie stabilności trenowania
• Podsumowanie
• Pytania

Rozdział 14. Sieci ResNet

• Powrót do Imagenette
• Tworzenie nowoczesnej konwolucyjnej sieci neuronowej ResNet
• Podsumowanie
• Pytania

Rozdział 15. Szczegółowa analiza architektur aplikacji

• Widzenie komputerowe
• Przetwarzanie języka naturalnego
• Dane tabelaryczne
• Podsumowanie
• Pytania

Rozdział 16. Proces trenowania

• Tworzenie modelu bazowego
• Ogólny optymalizator
• Momentum
• RMSProp
• Adam
• Dwie metody wygaszania wag
• Wywołania zwrotne
• Podsumowanie
• Pytania
• Podstawy uczenia głębokiego podsumowanie

Część IV. Uczenie głębokie od podstaw

Rozdział 17. Sieć neuronowa od podstaw

• Tworzenie od podstaw warstwy sieci neuronowej
• Przejścia w przód i wstecz
• Podsumowanie
• Pytania

Rozdział 18. Interpretacja sieci CNN przy użyciu mapy aktywacji klas

• Mapa aktywacji klas i punkty zaczepienia
• Gradientowa mapa aktywacji klas
• Podsumowanie
• Pytania

Rozdział 19. Klasa Learner biblioteki fastai od podstaw

• Dane
• Klasy Module i Parameter
• Funkcja straty
• Klasa Learner
• Podsumowanie
• Pytania

Rozdział 20. Uwagi końcowe

• Dodatek A. Tworzenie bloga
• Dodatek B. Lista kontrolna projektu dotyczącego danych