Глубокое обучение с fastai и PyTorch, Минимум формул, минимум кода, максимум эффективности, Ховард Д., Гуггер С., 2022

Глубокое обучение с fastai и PyTorch, Минимум формул, минимум кода, максимум эффективности, Ховард Д., Гуггер С., 2022.
     
   Обычно на глубокое обучение смотрят с ужасом, считая, что только доктор математических наук или ботан, работающий в крутой айтишной корпорации, могут разобраться в этой теме. Отбросьте стереотипы: любой программист, знакомый с Python, может добиться впечатляющих результатов. Как? С помощью fastai — библиотеки, предоставляющей комфортный интерфейс для решения наиболее популярных задач.
Создатели fastai доказали, что самые модные и актуальные приложения можно делать быстро и не засыпать над скучными теоретическими выкладками и зубодробительными формулами.




Ваши проекты и мышление.
Не так важно, хотите ли вы определять болезни растений по фотографиям их листьев, генерировать узоры для вязания, диагностировать туберкулез по рентгеновскому снимку, мы поможем начать использовать глубокое обучение для решения насущных задач максимально быстро (с помощью предварительно обученных другими моделей), а затем будем постепенно углубляться в подробности процесса. После прочтения следующей главы вы узнаете, как использовать глубокое обучение для решения своих задач с эталонной точностью. (Если вам не терпится поскорее приступить к работе с кодом, смело переходите к ней.) Есть миф, что для работы с глубоким обучением требуются огромные вычислительные ресурсы и наборы данных объемом как у Google, но это совершенно не так.

Какие же задачи подходят для хороших тестовых примеров? Можно обучить модель различать картины Пикассо и Моне или выбирать фотографии дочери, а не сына. Это помогает сосредоточиться на ваших увлечениях и пристрастиях — выбор четырех или пяти небольших проектов вместо стремления решить одну огромную суперзадачу упростит начало изучения данной области. Поскольку в этом деле очень легко застрять, излишнее рвение на ранних этапах может дать обратный эффект. Но когда вы уже освоите основы, можете нацеливаться на решение более серьезных задач.

ОГЛАВЛЕНИЕ.
Отзывы о книге.
Введение.
Для кого эта книга.
Что нужно знать.
Чему вы научитесь.
Предисловие.
От издательства.
ЧАСТЬ I ГЛУБОКОЕ ОБУЧЕНИЕ НА ПРАКТИКЕ.
Глава 1. Путешествие в мир глубокого обучения.
Глава 2. От модели к продакшену.
Глава 3. Этика данных.
ЧАСТЬ II ПОНИМАНИЕ ПРИЛОЖЕНИЙ НА БАЗЕ FASTAI.
Глава 4. Обучение классификатора цифр: взгляд изнутри.
Глава 5. Классификация изображений.
Глава 6. Другие задачи компьютерного зрения.
Глава 7. Обучение современной модели    
Глава 8. Коллаборативная фильтрация.
Глава 9. Табличное моделирование    
Глава 10. Погружение в NLP: рекуррентные нейронные сети.
Глава 11. Преобразование данных с помощью Mid-Level API.
ЧАСТЬ III ОСНОВЫ ГЛУБОКОГО ОБУЧЕНИЯ.
Глава 12. Языковая модель с нуля.
Глава 13. Сверточные нейронные сети.
Глава 14. ResNet.
Глава 15. Архитектуры приложений.
Глава 16. Процесс обучения.
ЧАСТЬ IV ГЛУБОКОЕ ОБУЧЕНИЕ С ЧИСТОГО ЛИСТА.
Глава 17. Продвинутые основы нейронной сети.
Глава 18. Интерпретация CNN с помощью CAM.
Глава 19. Класс Learner с нуля.
Глава 20. Подведем итог.
ПРИЛОЖЕНИЯ.
Приложение A. Создание блога.
Блогинг на GitHub Pages.
Создание репозитория.
Настройка домашней страницы.
Создание публикаций.
Синхронизация GitHub и компьютера.
Блогинг из Jupyter.
Приложение Б. Схема подготовки проекта по аналитике данных.
Специалисты по данным.
Стратегия.
Данные.
Аналитика.
Реализация.
Обслуживание.
Ограничения.
Об авторах.
Благодарности.
Об обложке.

Купить .





Теги: учебник по программированию :: программирование :: Ховард :: Гуггер