Apprendimento profondo con Python - Terza edizione: Capire come funzionano le reti neurali profonde e applicarle a compiti reali

Recensioni dei lettori

Il libro “Python Deep Learning” offre una guida pratica e completa alla comprensione e alla costruzione di modelli di deep learning con Python. Il libro bilancia le basi teoriche con esempi pratici, coprendo argomenti essenziali come le reti neurali, le reti convoluzionali, l'elaborazione del linguaggio naturale e gli MLOP. La scrittura è chiara e coinvolgente e lo rende adatto sia ai principianti che ai professionisti esperti. Tuttavia, i lettori hanno notato un potenziale salto di complessità in alcuni momenti e hanno suggerito specifiche di versione più chiare per Python e le librerie.

Copertura completa dei concetti di deep learning, dalle basi agli argomenti avanzati.

Esempi pratici e spiegazioni chiare.

(basato su 10 recensioni dei lettori)

Titolo originale:

Python Deep Learning - Third Edition: Understand how deep neural networks work and apply them to real-world tasks

Contenuto del libro:

Padroneggia la navigazione efficace delle reti neurali, comprese le convoluzioni e le trasformazioni, per affrontare compiti di computer vision e NLP utilizzando Python.

Caratteristiche principali:

⬤ Comprendere la teoria, le basi matematiche e la struttura delle reti neurali profonde.

⬤ Prendere confidenza con trasformatori, modelli linguistici di grandi dimensioni e reti convoluzionali.

⬤ Imparare ad applicarle a vari problemi di computer vision e di elaborazione del linguaggio naturale L'acquisto del libro stampato o del Kindle include un eBook PDF gratuito.

Descrizione del libro:

Il campo dell'apprendimento profondo si è sviluppato rapidamente negli ultimi anni e oggi copre un'ampia gamma di applicazioni. Ciò lo rende difficile da navigare e da comprendere senza solide basi. Questo libro vi guiderà dalle basi delle reti neurali allo stato dell'arte dei modelli linguistici di grandi dimensioni oggi in uso.

La prima parte del libro introduce i principali concetti e paradigmi di apprendimento automatico. Copre le basi matematiche, la struttura e gli algoritmi di addestramento delle reti neurali e si addentra nell'essenza del deep learning.

La seconda parte del libro introduce le reti convoluzionali per la computer vision. Impareremo a risolvere compiti di classificazione di immagini, rilevamento di oggetti, segmentazione di istanze e generazione di immagini.

La terza parte si concentra sul meccanismo di attenzione e sui trasformatori, l'architettura di rete principale dei modelli linguistici di grandi dimensioni. Discuteremo i nuovi tipi di compiti avanzati che possono risolvere, come i chat bot e la generazione di testo-immagine.

Alla fine di questo libro, avrete una conoscenza approfondita del funzionamento interno delle reti neurali profonde. Sarete in grado di sviluppare nuovi modelli o di adattare quelli esistenti per risolvere i vostri compiti. Avrete inoltre una conoscenza sufficiente per continuare la vostra ricerca e rimanere aggiornati sugli ultimi progressi nel campo.

Cosa imparerete

⬤ Stabilire le basi teoriche delle reti neurali profonde.

⬤ Comprendere le reti convoluzionali e applicarle alle applicazioni di computer vision.

⬤ Diventare esperti nell'elaborazione del linguaggio naturale e nelle reti ricorrenti.

⬤ Esplorare il meccanismo di attenzione e i trasformatori.

⬤ Applicare trasformatori e modelli linguistici di grandi dimensioni per il linguaggio naturale e la visione artificiale.

⬤ Implementare esempi di codifica con PyTorch, Keras e Hugging Face Transformers.

⬤ Utilizzare MLOps per sviluppare e distribuire modelli di reti neurali.

A chi è rivolto questo libro:

Questo libro è rivolto a sviluppatori/ingegneri software, studenti, data scientist, analisti di dati, ingegneri dell'apprendimento automatico, statistici e a chiunque sia interessato al deep learning. Una precedente esperienza di programmazione in Python è un prerequisito.