Învățarea profundă avansată cu Python

Recenzii ale cititorilor

Cartea „Advanced Deep Learning with Python” de Ivan Vasilev este foarte apreciată pentru explorarea completă și aprofundată a conceptelor de învățare profundă, subliniind matematica de bază și aplicațiile practice în Python. Destinată cititorilor cu o bază în AI și machine learning, cartea acoperă o gamă largă de subiecte, inclusiv arhitecturi de rețele neuronale, viziune pe calculator, procesarea limbajului natural și tehnologii emergente. Deși cartea este cuprinzătoare și bine structurată, ea este recomandată în primul rând celor care au deja unele cunoștințe în domeniu.

⬤ Acoperire aprofundată a conceptelor de învățare profundă.
⬤ Explicații clare și bine structurate ale fundamentelor matematice.
⬤ Exemple de cod Python accesibile, disponibile pe GitHub.
⬤ Capitole independente care permit studiul concentrat pe subiecte specifice.
⬤ Valoros atât pentru înțelegerea teoretică, cât și pentru implementarea practică.
⬤ Potrivit pentru aplicații avansate precum GAN și NLP.
⬤ Excelent pentru învățarea complexității rețelelor neuronale și a algoritmilor aferenți.

⬤ Nu este potrivit pentru începători; este recomandată cunoașterea prealabilă a învățării profunde.
⬤ Unii cititori ar putea avea nevoie de cunoștințe de operare în Python pentru a se implica pe deplin în exemplele de cod.
⬤ Unii cititori pot găsi matematica o provocare dacă nu au o bază solidă.
⬤ Cartea ar putea să nu servească drept introducere de sine stătătoare pentru cei care nu sunt familiarizați cu cadrele de învățare profundă.

(pe baza a 23 recenzii ale cititorilor)

Titlul original:

Advanced Deep Learning with Python

Conținutul cărții:

Dobândiți expertiză în domenii avansate de învățare profundă, cum ar fi rețelele neuronale, metaînvățarea, rețelele neuronale grafice și rețelele neuronale cu memorie augmentată, utilizând ecosistemul Python Caracteristici principale Familiarizați-vă cu construirea de arhitecturi de învățare profundă mai rapide și mai robuste Investighează și antrenează modele de rețele neuronale convoluționale (CNN) cu biblioteci accelerate de GPU, cum ar fi TensorFlow și PyTorch Aplicați rețele neuronale profunde (DNN) la probleme de viziune pe calculator, NLP și GAN Descrierea cărții

Pentru a construi sisteme robuste de învățare profundă, va trebui să înțelegeți totul, de la cum funcționează rețelele neuronale până la instruirea modelelor CNN. În această carte, veți descoperi modele de învățare profundă recent dezvoltate, metodologii utilizate în domeniu și implementarea lor pe baza domeniilor de aplicare.

Veți începe prin a înțelege elementele de bază și matematica din spatele rețelelor neuronale, apoi veți trece la CNN-uri și la aplicațiile lor avansate în computer vision. De asemenea, veți învăța să aplicați cele mai populare arhitecturi CNN în detectarea obiectelor și segmentarea imaginilor. Mai departe, vă veți concentra pe autoencodere variaționale și GAN-uri. Veți utiliza apoi rețele neuronale pentru a extrage reprezentări vectoriale sofisticate ale cuvintelor, înainte de a aborda diferite tipuri de rețele recurente, cum ar fi LSTM și GRU. Veți explora chiar și mecanismul atenției pentru a procesa date secvențiale fără ajutorul rețelelor neuronale recurente (RNN). Ulterior, veți utiliza rețele neuronale grafice pentru procesarea datelor structurate și veți acoperi metaînvățarea, care vă permite să antrenați rețele neuronale cu mai puține eșantioane de antrenament. În cele din urmă, veți înțelege cum să aplicați învățarea profundă la vehiculele autonome.

Până la sfârșitul acestei cărți, veți stăpâni conceptele cheie de învățare profundă și diferitele aplicații ale modelelor de învățare profundă în lumea reală. Ce veți învăța Acoperiți arhitecturile avansate și de ultimă generație ale rețelelor neuronale Înțelegeți teoria și matematica din spatele rețelelor neuronale Antrenați DNN-urile și aplicați-le la problemele moderne de învățare profundă Utilizați CNN-urile pentru detectarea obiectelor și segmentarea imaginilor Implementați rețele adversariale generative (GAN) și autoencodere variaționale pentru a genera imagini noi Rezolvați sarcini de procesare a limbajului natural (NLP), cum ar fi traducerea automată, utilizând modele de la secvență la secvență Înțelegeți tehnicile DL, cum ar fi metaînvățarea și rețelele neuronale grafice Pentru cine este această carte

Această carte se adresează oamenilor de știință din domeniul datelor, inginerilor și cercetătorilor din domeniul învățării profunde și dezvoltatorilor AI care doresc să își aprofundeze cunoștințele în domeniul învățării profunde și să construiască proiecte inovatoare și unice de învățare profundă. Oricine dorește să se familiarizeze cu cazurile de utilizare și metodologiile avansate adoptate în domeniul învățării profunde folosind exemple din lumea reală va găsi, de asemenea, această carte utilă. Se presupune o înțelegere de bază a conceptelor de învățare profundă și cunoștințe de lucru ale limbajului de programare Python. Table of Contents The Nuts and Bolts of Neural Networks Understanding Convolutional Networks Advanced Convolutional Networks Object Detection and Image Segmentation Generative Models Language Modelling Understanding Recurrent Networks Sequence-to-Sequence Models and Attention Emerging Neural Network Designs Meta Learning Deep Learning for Autonomous Vehicles