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

Indeks: KSZ-20058 EAN: 9788328375093
Praktyczny przewodnik o koncepcjach uczenia głębokiego. 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.
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch - J. Howard, S....
89,90 zł
85,62 zł netto
Zapłać później
Producent: Helion

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

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

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

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

      Książka - Autor Jeremy Howard, Sylvain Gugger
      Książka - ISBN 978-83-283-7509-3
      Książka - Oprawa miękka
      Książka - Wydawnictwo Helion S.A.
      Tematyka Sztuczna inteligencja
      Szerokość opakowania 16.8 cm
      Wysokość opakowania 23.5 cm
      Głębokość opakowania 2.7 cm
      Masa opakowania 0.88 kg

      Jako pierwszy zadaj pytanie dotyczące tego produktu!

      Klienci którzy zakupili ten produkt kupili również:

      Produkty z tej samej kategorii: