Hluboké učení pro kodéry s Fastai a Pytorch: Aplikace umělé inteligence bez doktorátu

Recenze čtenářů

Kniha „Deep Learning for Coders“ od Jeremyho Howarda a Sylvaina Guggera je všeobecně považována za vynikající zdroj informací pro praktické učení v oblasti hlubokého učení, zejména pro ty, kteří mají zkušenosti s programováním. Vyznačuje se praktickým přístupem shora dolů, který čtenářům umožňuje zapojit se přímo do aplikací a projektů, často s využitím knihovny Fastai v kombinaci s PyTorchem. Byla však kritizována za to, že je potenciálně matoucí pro úplné začátečníky a že obsahuje zastaralé příklady kódu, které mohou způsobit frustraci.

Dobře strukturovaná pro praktickou výuku, vynikající praktický přístup, vhodná pro čtenáře se zkušenostmi s programováním, bohatá na příklady z notebooku Jupyter, dobře formátovaná pro čitelnost na Kindle, pokrývá relevantní a moderní postupy hlubokého učení, podpůrná komunita a zdroje dostupné na GitHubu.

Nemusí být vhodná pro úplné začátečníky bez předchozích znalostí, pro některé čtenáře je metoda výuky shora dolů matoucí, několik připomínek k zastaralému kódu, který vede k chybám, není ideální pro ty, kteří mají předchozí znalosti deep learningu a hledají pokročilý materiál, možné problémy s komplexní úpravou a provázaností.

(na základě 52 hodnocení čtenářů)

Původní název:

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

Obsah knihy:

Hluboké učení je často považováno za výhradní doménu doktorů matematiky a velkých technologických společností. Jak ale ukazuje tento praktický průvodce, programátoři, kteří si rozumí s jazykem Python, mohou dosáhnout působivých výsledků v oblasti hlubokého učení s malým matematickým vzděláním, malým množstvím dat a minimálním množstvím kódu. Jak? Pomocí fastai, první knihovny, která poskytuje konzistentní rozhraní pro nejčastěji používané aplikace hlubokého učení.

Autoři Jeremy Howard a Sylvain Gugger, tvůrci fastai, vám ukážou, jak pomocí fastai a PyTorchu trénovat model na široké škále úloh. Postupně se také ponoříte hlouběji do teorie hlubokého učení, abyste získali úplné pochopení algoritmů v pozadí.

⬤ Trénujte modely v oblasti počítačového vidění, zpracování přirozeného jazyka, tabulkových dat a kolaborativního filtrování.

⬤ Zjistíte, jaké nejnovější techniky hlubokého učení jsou v praxi nejdůležitější.

⬤ Zlepšete přesnost, rychlost a spolehlivost tím, že pochopíte, jak modely hlubokého učení fungují.

⬤ Zjistěte, jak své modely proměnit ve webové aplikace.

⬤ Zavádějte algoritmy hlubokého učení od nuly.

⬤ Zvažte etické důsledky své práce.

⬤ Získejte vhled do problematiky z předmluvy spoluzakladatele PyTorchu, Soumithe Chintaly.