Apprentissage profond avancé avec Python

Avis des lecteurs

Résumé:

Le livre « Advanced Deep Learning with Python » d'Ivan Vasilev est très apprécié pour son exploration approfondie des concepts d'apprentissage profond, mettant l'accent sur les mathématiques sous-jacentes et les applications pratiques en Python. Destiné aux lecteurs ayant des bases en IA et en apprentissage automatique, il couvre un large éventail de sujets, notamment les architectures de réseaux neuronaux, la vision par ordinateur, le traitement du langage naturel et les technologies émergentes. Bien que le livre soit complet et bien structuré, il est principalement recommandé à ceux qui ont déjà une certaine connaissance du sujet.

Avantages:

⬤ Couverture approfondie des concepts de l'apprentissage profond.
⬤ Explications claires et bien structurées des fondements mathématiques.
⬤ Des exemples de code Python accessibles sur GitHub.
⬤ Des chapitres indépendants permettant une étude ciblée sur des sujets spécifiques.
⬤ Précieux pour la compréhension théorique et la mise en œuvre pratique.
⬤ Adapté aux applications avancées telles que les GAN et le NLP.
⬤ Idéal pour apprendre les subtilités des réseaux neuronaux et des algorithmes associés.

Inconvénients:

⬤ Ne convient pas aux débutants complets ; une connaissance préalable de l'apprentissage profond est recommandée.
⬤ La maîtrise de Python peut être nécessaire pour certains lecteurs afin de s'impliquer pleinement dans les exemples de code.
⬤ Certains lecteurs peuvent trouver les mathématiques difficiles s'ils n'ont pas de connaissances solides.
⬤ Le livre pourrait ne pas servir d'introduction autonome pour ceux qui ne sont pas familiers avec les cadres d'apprentissage profond.

(basé sur 23 avis de lecteurs)

Titre original :

Advanced Deep Learning with Python

Contenu du livre :

Acquérir une expertise dans les domaines avancés de l'apprentissage profond tels que les réseaux neuronaux, le méta-apprentissage, les réseaux neuronaux graphiques et les réseaux neuronaux à mémoire augmentée en utilisant l'écosystème Python Caractéristiques principales Se familiariser avec la construction d'architectures d'apprentissage profond plus rapides et plus robustes Étudier et former des modèles de réseaux neuronaux convolutifs (CNN) avec des bibliothèques accélérées par le GPU telles que TensorFlow et PyTorch Appliquer les réseaux neuronaux profonds (DNN) aux problèmes de vision par ordinateur, à la PNL et aux réseaux neuronaux à mémoire augmentée Description du livre

Pour construire des systèmes d'apprentissage profond robustes, vous devrez tout comprendre, du fonctionnement des réseaux neuronaux à l'entraînement des modèles CNN. Dans cet ouvrage, vous découvrirez les modèles d'apprentissage profond récemment développés, les méthodologies utilisées dans le domaine et leur mise en œuvre en fonction des domaines d'application.

Vous commencerez par comprendre les éléments constitutifs et les mathématiques qui sous-tendent les réseaux neuronaux, puis vous passerez aux CNN et à leurs applications avancées dans le domaine de la vision par ordinateur. Vous apprendrez également à appliquer les architectures CNN les plus populaires à la détection d'objets et à la segmentation d'images. Vous vous concentrerez ensuite sur les autoencodeurs variationnels et les GAN. Vous utiliserez ensuite des réseaux neuronaux pour extraire des représentations vectorielles sophistiquées de mots, avant d'aborder différents types de réseaux récurrents, tels que les LSTM et les GRU. Vous explorerez même le mécanisme d'attention pour traiter des données séquentielles sans l'aide de réseaux neuronaux récurrents (RNN). Ensuite, vous utiliserez les réseaux neuronaux graphiques pour traiter des données structurées, tout en abordant le méta-apprentissage, qui vous permet de former des réseaux neuronaux avec moins d'échantillons de formation. Enfin, vous comprendrez comment appliquer l'apprentissage profond aux véhicules autonomes.

À la fin de ce livre, vous maîtriserez les concepts clés de l'apprentissage profond et les différentes applications des modèles d'apprentissage profond dans le monde réel. Ce que vous apprendrez Couvrir les architectures de réseaux neuronaux avancées et de pointe Comprendre la théorie et les mathématiques derrière les réseaux neuronaux Former les DNN et les appliquer aux problèmes modernes d'apprentissage profond Utiliser les CNN pour la détection d'objets et la segmentation d'images Mettre en œuvre des réseaux adversaires génératifs (GAN) et des autoencodeurs variationnels pour générer de nouvelles images Résoudre des tâches de traitement du langage naturel (NLP), telles que la traduction automatique, en utilisant des modèles séquence-séquence Comprendre les techniques de DL, telles que le méta-apprentissage et les réseaux neuronaux de graphes À qui s'adresse ce livre ?

Ce livre s'adresse aux data scientists, aux ingénieurs et chercheurs en deep learning et aux développeurs en IA qui souhaitent approfondir leurs connaissances en deep learning et construire des projets innovants et uniques en deep learning. Toute personne souhaitant se familiariser avec les cas d'utilisation avancés et les méthodologies adoptées dans le domaine de l'apprentissage profond à l'aide d'exemples du monde réel trouvera également ce livre utile. L'ouvrage suppose une compréhension de base des concepts de l'apprentissage profond et une connaissance pratique du langage de programmation Python. Table des matières Les rouages des réseaux neuronaux Comprendre les réseaux convolutifs Réseaux convolutifs avancés Détection d'objets et segmentation d'images Modèles génératifs Modélisation du langage Comprendre les réseaux récurrents Modèles séquence à séquence et attention Modèles de réseaux neuronaux émergents Méta-apprentissage Apprentissage profond pour les véhicules autonomes

Autres informations sur le livre :

• ISBN : 9781789956177
• Auteur : Ivan Vasilev
• Éditeur : Packt Pub
• Reliure : Broché