Matematica e architetture dell'apprendimento profondo

Recensioni dei lettori

Le recensioni evidenziano che “Math and Architectures of Deep Learning” è una risorsa utile e perspicace sia per i neofiti che per i lettori esperti nel campo dell'apprendimento profondo. Viene elogiato per la copertura approfondita dei fondamenti matematici e degli argomenti rilevanti, che forniscono una comprensione più profonda delle applicazioni dell'IA. Tuttavia, i lettori notano che alcune conoscenze matematiche preliminari sono utili per comprendere appieno i contenuti.

Il libro colma efficacemente le lacune di conoscenza, rispetta l'intelligenza del lettore, costituisce un'ottima introduzione e un riferimento sia per i principianti che per i più esperti, copre un'ampia gamma di argomenti importanti, offre spiegazioni visive perspicaci e contiene moderni algoritmi di ottimizzazione.

Il libro può risultare ostico per coloro che non hanno un background di calcolo vettoriale o di algebra lineare, rendendolo meno accessibile ai principianti.

(basato su 6 recensioni dei lettori)

Titolo originale:

Math and Architectures of Deep Learning

Contenuto del libro:

Math and Architectures of Deep Learning espone le basi dell'apprendimento profondo in modo utile e accessibile ai professionisti.

I paradigmi matematici alla base dell'apprendimento profondo nascono in genere come documenti accademici di difficile lettura, che spesso lasciano gli ingegneri all'oscuro del reale funzionamento dei loro modelli. Math and Architectures of Deep Learning colma il divario tra teoria e pratica, esponendo la matematica del deep learning accanto a implementazioni pratiche in Python e PyTorch. Potrete sbirciare all'interno della "scatola nera" per capire come funziona il vostro codice e imparare a comprendere ricerche all'avanguardia da trasformare in applicazioni pratiche.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia

È importante capire come funzionano i modelli di deep learning, sia per poterli mantenere in modo efficiente sia per spiegarli agli altri stakeholder. Imparare le basi matematiche e l'architettura delle reti neurali può essere impegnativo, ma i vantaggi sono notevoli. Sarete liberi dall'affidarvi ciecamente a modelli di DL preconfezionati e sarete in grado di costruire, personalizzare e riarchitettare per le vostre esigenze specifiche. E quando le cose andranno male, sarete felici di poter identificare e risolvere rapidamente i problemi.

Informazioni sul libro

Math and Architectures of Deep Learning espone le basi della DL in modo utile e accessibile ai professionisti. Ogni capitolo esplora un nuovo concetto fondamentale di DL o un modello architetturale, spiegandone la matematica di base e dimostrandone il funzionamento pratico con un codice Python ben annotato. Inizierete con un'infarinatura di algebra, calcolo e statistica di base, per poi passare ai paradigmi di DL più avanzati, tratti dalla ricerca più recente. Quando avrete finito, avrete una visione teorica combinata e le competenze pratiche per identificare e implementare l'architettura DL per quasi tutte le sfide del mondo reale.

Cosa contiene

⬤ Matematica, teoria e principi di programmazione affiancati.

⬤ Algebra lineare, calcolo vettoriale e statistica multivariata per l'apprendimento profondo.

⬤ La struttura delle reti neurali.

⬤ Implementazione di architetture di deep learning con Python e PyTorch.

⬤ Risoluzione di modelli poco performanti.

⬤ Esempi di codice operativo in quaderni Jupyter scaricabili.

Informazioni sul lettore

Per programmatori Python con nozioni di base di algebra e calcolo.

Informazioni sull'autore

Krishnendu Chaudhury è un esperto di deep learning e computer vision con trascorsi decennali in Google e Adobe Systems. Attualmente è CTO e cofondatore di Drishti Technologies. Ha conseguito un dottorato di ricerca in informatica presso l'Università del Kentucky a Lexington.