Apprendimento profondo: Teoria e pratica delle reti neurali, della visione artificiale, dell'elaborazione del linguaggio naturale e dei trasformatori con Tensorflo

Recensioni dei lettori

Questo libro sull'apprendimento profondo è apprezzato per la sua scrittura chiara, gli esempi pratici di codifica in TensorFlow e la capacità di comunicare concetti complessi in modo accessibile. È adatto sia agli ingegneri che vogliono imparare il deep learning per applicazioni pratiche, sia agli utenti più avanzati che cercano una comprensione completa del campo. Tuttavia, potrebbe non essere adatto ai principianti assoluti o a chi cerca un'analisi matematica approfondita.

Spiegazioni eccellenti dei concetti, esempi pratici di codifica, stile di scrittura accessibile, adatto sia ai principianti che agli esperti, copre un'ampia gamma di architetture e applicazioni di deep learning, contenuti pertinenti e ben organizzati, layout e diagrammi gradevoli.

Può essere un po' frettoloso in alcune aree, potrebbe non essere sufficientemente approfondito per i principianti assoluti o per chi cerca una comprensione matematica profonda, problemi di qualità di stampa in alcune copie.

(basato su 22 recensioni dei lettori)

Titolo originale:

Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using Tensorflo

Contenuto del libro:

Guida a colori di NVIDIA al Deep Learning: Tutto ciò che serve per iniziare e ottenere risultati.

"Per consentire a tutti di partecipare a questa storica rivoluzione è necessaria la democratizzazione delle conoscenze e delle risorse dell'IA. Questo libro è tempestivo e rilevante per raggiungere questi obiettivi ambiziosi".

-- Dalla prefazione del Dr. Anima Anandkumar, Bren Professor, Caltech, e Director of ML Research, NVIDIA.

"Ekman utilizza una tecnica di apprendimento che nella nostra esperienza si è dimostrata fondamentale per il successo: chiede al lettore di pensare all'utilizzo delle tecniche di DL nella pratica. Il suo approccio diretto è rinfrescante e permette al lettore di sognare, anche solo un po', su dove la DL potrebbe ancora portarci".

-- Dalla prefazione del Dr. Craig Clawson, Direttore dell'NVIDIA Deep Learning Institute.

L'apprendimento profondo (DL) è un componente chiave degli entusiasmanti progressi odierni nell'apprendimento automatico e nell'intelligenza artificiale. Learning Deep Learning è una guida completa al DL. Illustrando sia i concetti fondamentali che le tecniche di programmazione pratiche necessarie per avere successo, questo libro è ideale per gli sviluppatori, gli scienziati dei dati, gli analisti e altri utenti, compresi quelli che non hanno alcuna esperienza di apprendimento automatico o di statistica.

Dopo aver introdotto gli elementi essenziali delle reti neurali profonde, come i neuroni artificiali e gli strati completamente connessi, convoluzionali e ricorrenti, Magnus Ekman mostra come utilizzarli per costruire architetture avanzate, tra cui il Transformer. Descrive come questi concetti vengono utilizzati per costruire reti moderne per la computer vision e l'elaborazione del linguaggio naturale (NLP), tra cui Mask R-CNN, GPT e BERT. Spiega inoltre come funziona un traduttore di linguaggio naturale e un sistema che genera descrizioni in linguaggio naturale delle immagini.

Ekman fornisce esempi di codice concisi e ben commentati utilizzando TensorFlow con Keras. Gli esempi corrispondenti di PyTorch sono disponibili online e il libro copre quindi le due librerie Python dominanti per la DL utilizzate nell'industria e nel mondo accademico. Conclude con un'introduzione alla ricerca di architetture neurali (NAS), esplorando importanti questioni etiche e fornendo risorse per un ulteriore apprendimento.

⬤ Esplora e padroneggia i concetti fondamentali: perceptron, apprendimento basato sul gradiente, neuroni sigmoidi e back propagation.

⬤ Vedi come i framework DL rendono più facile lo sviluppo di reti neurali più complicate e utili.

⬤ Scoprire come le reti neurali convoluzionali (CNN) rivoluzionano la classificazione e l'analisi delle immagini.

⬤ Applicare le reti neurali ricorrenti (RNN) e la memoria a breve termine (LSTM) al testo e ad altre sequenze di lunghezza variabile.

⬤ Padroneggiare l'NLP con le reti sequenza-sequenza e l'architettura Transformer.

⬤ Costruire applicazioni per la traduzione in linguaggio naturale e la sottotitolazione di immagini.

L'invenzione della GPU da parte di NVIDIA ha dato il via al mercato dei giochi per PC. Il lavoro pionieristico dell'azienda nel campo dell'elaborazione accelerata - una forma di elaborazione sovralimentata all'intersezione di grafica computerizzata, elaborazione ad alte prestazioni e intelligenza artificiale - sta ridisegnando settori da un trilione di dollari, come i trasporti, la sanità e la produzione, e alimentando la crescita di molti altri.

Registra il tuo libro per accedere comodamente a download, aggiornamenti e/o correzioni non appena disponibili. Per i dettagli, vedere l'interno del libro.