- Produkt wycofany
|
Uwaga! Sprzedaż produktu została zakończona. Sprawdź inne w tej kategorii. |
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
Przydatne linki |
