Apprendimento profondo per codificatori con Fastai e Pytorch: Applicazioni di intelligenza artificiale senza un dottorato di ricerca

Recensioni dei lettori

Il libro “Deep Learning for Coders” di Jeremy Howard e Sylvain Gugger è ampiamente considerato una risorsa eccellente per l'apprendimento pratico del deep learning, in particolare per chi ha una certa esperienza di programmazione. Presenta un approccio pratico, dall'alto verso il basso, che consente ai lettori di impegnarsi direttamente con applicazioni e progetti, spesso utilizzando la libreria Fastai in combinazione con PyTorch. Tuttavia, è stato criticato per la sua potenziale confusione per i principianti assoluti e per la presenza di esempi di codice obsoleti che possono causare frustrazione.

Ben strutturato per l'apprendimento pratico, eccellente approccio pratico, adatto a lettori con esperienza di programmazione, ricco di esempi di notebook Jupyter, ben formattato per la leggibilità su Kindle, copre pratiche di deep learning rilevanti e moderne, comunità di supporto e risorse disponibili su GitHub.

Potrebbe non essere adatto a principianti assoluti senza conoscenze pregresse, alcuni lettori trovano confuso il metodo di insegnamento dall'alto verso il basso, diversi commenti sul codice obsoleto che porta a errori, non è ideale per chi ha conoscenze pregresse di deep learning e cerca materiale avanzato, potenziali problemi di editing completo e coerenza.

(basato su 52 recensioni dei lettori)

Titolo originale:

Deep Learning for Coders with Fastai and Pytorch: AI Applications Without a PhD

Contenuto del libro:

L'apprendimento profondo è spesso considerato dominio esclusivo dei dottori di ricerca in matematica e delle grandi aziende tecnologiche. Ma come dimostra questa guida pratica, i programmatori che si trovano a proprio agio con Python possono ottenere risultati impressionanti nell'apprendimento profondo con poche conoscenze matematiche, piccole quantità di dati e un codice minimo. Come? Con fastai, la prima libreria che fornisce un'interfaccia coerente con le applicazioni di deep learning più utilizzate.

Gli autori Jeremy Howard e Sylvain Gugger, creatori di fastai, mostrano come addestrare un modello su un'ampia gamma di compiti utilizzando fastai e PyTorch. Inoltre, vi immergerete progressivamente nella teoria del deep learning per acquisire una comprensione completa degli algoritmi che stanno dietro le quinte.

⬤ Addestrare modelli di computer vision, elaborazione del linguaggio naturale, dati tabellari e filtraggio collaborativo.

⬤ Imparare le più recenti tecniche di deep learning che contano di più nella pratica.

⬤ Migliorare l'accuratezza, la velocità e l'affidabilità comprendendo come funzionano i modelli di deep learning.

⬤ Scoprire come trasformare i modelli in applicazioni web.

⬤ Implementare algoritmi di deep learning da zero.

⬤ Considerare le implicazioni etiche del proprio lavoro.

⬤ Approfondite le vostre conoscenze grazie alla prefazione del cofondatore di PyTorch, Soumith Chintala.