寫給程式設計師的深度學習｜使用 fastai 和 PyTorch (Deep Learning for Coders with fastai and PyTorch) 2021 <O`REILLY>

類似書籍推薦給您

寫給程式設計師的深度學習：使用fastai和PyTorch ISBN13：9789865027360 出版社：美商歐萊禮 作者：Jeremy Howard; Sylvain Gugger 譯者：賴屹民 裝訂／頁數：平裝／640頁 規格：23cm*17cm*3cm (高/寬/厚) 出版日：2021/03/17 中國圖書分類：特殊電腦方法 內容簡介 建構AI應用程式，您不必拿PhD 　　深度學習通常被視為數學博士和大型科技公司的獨門秘術，然而，正如這本指南所言，如果你已經會寫Python，那麼你只要稍微了解數學、取得少量的資料，就可以用最精簡的程式，寫出令人印象深刻的深度學習作品。怎麼做？使用fastai！它是史上第一個以一致的介面來讓你使用最常見的深度學習應用的程式庫。 　　本書作者Jeremy Howard與Sylvain Gugger是fastai的創作者，他們將告訴你如何使用fastai和PyTorch訓練各種任務的模型，並帶領你逐步研究深度學習理論，以充分了解藏身幕後的演算法。 　　‧訓練電腦視覺、自然語言處理、表格式資料和聯合過濾等任務的模型 　　‧學習在實務上最重要且最新的深度學習技術 　　‧釐清深度學習模型如何運作，改善準確度、速度與可靠度 　　‧了解如何將模型轉換成web應用程式 　　‧從零開始實作深度學習演算法 　　‧思考作品的道德意義 　　‧從PyTorch的聯合創始人Soumith Chintala的前言獲得真知灼見 好評推薦 　　「這是程式員精通深度學習的最佳資源之一。」 —Peter Norvig，Google研究總監 　　「本書透過實際的操作，以簡單且實用的方法揭開深度學習的神秘面紗。」 —Curtis Langlotz，史丹佛大學醫學及成像人工智慧中心主任 目錄 第一部分 深度學習實務 第一章 你的深度學習旅程 第二章 從模型到生產 第三章 資料倫理 第二部分 了解 fastai 的應用 第四章 在引擎蓋下：訓練數字分類模型 第五章 圖像分類 第六章 其他的電腦視覺問題 第七章 訓練先進模型 第八章 協同過濾 第九章 表格模型 第十章 NLP：RNN 第十一章 使用 fastai 的中層API 來處理資料 第三部分 深度學習基礎 第十二章 從零開始製作語言模型 第十三章 摺積神經網路 第十四章 ResNets 第十五章 應用架構 第十六章 訓練程序 第四部分 從零開始深度學習 第十七章 神經網路基礎 第十八章 用 CAM 來做 CNN 解釋 第十九章 從零開始打造 fastai Learner 第二十章 思想總結 附錄A 建立部落格 附錄B 資料專案檢查表

DEEP LEARNING: FROM BIG DATA TO ARTIFICIAL INTELLIGENCE WITH R

類似書籍推薦給您

DESCRIPTION DEEP LEARNING A concise and practical exploration of key topics and applications in data science In Deep Learning: From Big Data to Artificial Intelligence with R, expert researcher Dr. Stéphane Tufféry delivers an insightful discussion of the applications of deep learning and big data that focuses on practical instructions on various software tools and deep learning methods relying on three major libraries: MXNet, PyTorch, and Keras-TensorFlow. In the book, numerous, up-to-date examples are combined with key topics relevant to modern data scientists, including processing optimization, neural network applications, natural language processing, and image recognition. This is a thoroughly revised and updated edition of a book originally released in French, with new examples and methods included throughout. Classroom-tested and intuitively organized, Deep Learning: From Big Data to Artificial Intelligence with R offers complimentary access to a companion website that provides R and Python source code for the examples offered in the book. Readers will also find: A thorough introduction to practical deep learning techniques with explanations and examples for various programming libraries Comprehensive explorations of a variety of applications for deep learning, including image recognition and natural language processing Discussions of the theory of deep learning, neural networks, and artificial intelligence linked to concrete techniques and strategies commonly used to solve real-world problems Perfect for graduate students studying data science, big data, deep learning, and artificial intelligence, Deep Learning: From Big Data to Artificial Intelligence with R will also earn a place in the libraries of data science researchers and practicing data scientists.