Apprendimento profondo con Python: Imparare le migliori pratiche dei modelli di apprendimento profondo con Pytorch

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 6 voti.

Titolo originale:

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

Contenuto del libro:

Padroneggiate gli aspetti pratici dell'implementazione di soluzioni di deep learning con PyTorch, utilizzando un approccio pratico per comprendere sia la teoria che la pratica. Questa edizione aggiornata vi preparerà ad applicare il deep learning ai problemi del mondo reale con una solida base teorica e un know-how pratico con PyTorch, una piattaforma sviluppata dall'Artificial Intelligence Research Group di Facebook.

Inizierete con una prospettiva su come e perché il deep learning con PyTorch è emerso come un framework innovativo con una serie di strumenti e tecniche per risolvere i problemi del mondo reale. Successivamente, il libro vi fornirà le basi matematiche dell'algebra lineare, del calcolo vettoriale, della probabilità e dell'ottimizzazione. Dopo aver stabilito queste basi, si passerà ai componenti e alle funzionalità chiave di PyTorch, tra cui i livelli, le funzioni di perdita e gli algoritmi di ottimizzazione.

Inoltre, si acquisisce una comprensione del calcolo basato su unità di elaborazione grafica (GPU), essenziale per l'addestramento dei modelli di deep learning. Vengono trattate tutte le architetture chiave del deep learning, tra cui le reti feedforward, le reti neurali a convoluzione, le reti neurali ricorrenti, le reti a memoria a breve termine, gli autoencoder e le reti generative avversarie. Con una serie di trucchi del mestiere per l'addestramento e l'ottimizzazione dei modelli di deep learning, questa edizione di Deep Learning with Python spiega le migliori pratiche per portare questi modelli in produzione con PyTorch.

Cosa imparerete

⬤ Rivedere i fondamenti dell'apprendimento automatico come l'overfitting, l'underfitting e la regolarizzazione.

⬤ Comprendere i fondamenti del deep learning come le reti feed-forward, le reti neurali a convoluzione, le reti neurali ricorrenti, la differenziazione automatica e la discesa stocastica del gradiente.

⬤ Applicare l'algebra lineare approfondita con PyTorch.

⬤ Esplorare i fondamenti di PyTorch e i suoi blocchi costruttivi.

⬤ Lavorare con la messa a punto e l'ottimizzazione dei modelli.

Per chi è questo libro?

Principianti con una conoscenza pratica di Python che desiderano comprendere il Deep Learning in modo pratico e pratico.