Le manuel de l'architecte de l'apprentissage profond (Deep Learning Architect's Handbook) : Construire et déployer des solutions d'apprentissage profond prêtes à la production en s'appuyant sur les dernières techniques Python.

Avis des lecteurs

Résumé:

Ce livre est un guide complet de l'apprentissage profond, couvrant les architectures fondamentales, les techniques avancées, l'évaluation des modèles, les biais et l'équité, ainsi que les pratiques de déploiement dans le monde réel. Il est structuré en sections bien définies, ce qui le rend accessible aux novices comme aux praticiens expérimentés. Les exemples pratiques et le code qui les accompagne améliorent considérablement l'expérience d'apprentissage.

Avantages:

Il offre une compréhension approfondie des méthodologies d'apprentissage profond, un aperçu pratique de la construction et du déploiement de modèles, d'excellentes illustrations, un contenu riche sur les biais et l'équité, une mise en page structurée pour une compréhension facile, des exercices pratiques avec des exemples de code en Python, et s'adresse à différents niveaux d'expertise.

Inconvénients:

Certains lecteurs peuvent trouver certains sujets complexes encore difficiles, et bien qu'il couvre un large éventail de sujets, ceux qui recherchent des connaissances très spécialisées pourraient avoir besoin de consulter des ressources supplémentaires.

(basé sur 10 avis de lecteurs)

Titre original :

The Deep Learning Architect's Handbook: Build and deploy production-ready DL solutions leveraging the latest Python techniques

Contenu du livre :

Exploitez la puissance de l'apprentissage profond pour améliorer la productivité et l'efficacité grâce à ce guide pratique qui couvre les techniques et les meilleures pratiques pour l'ensemble du cycle de vie de l'apprentissage profond.

Caractéristiques principales : Interpréter le processus de prise de décision de vos modèles, pour garantir la transparence et la confiance dans vos solutions basées sur l'IA Acquérir une expérience pratique à chaque étape du cycle de vie de l'apprentissage profond Explorer des études de cas et des solutions pour déployer des modèles DL tout en tenant compte de l'évolutivité, de la dérive des données et des considérations éthiques L'achat de la version imprimée ou du livre Kindle inclut un eBook PDF gratuit.

Description du livre :

L'apprentissage profond permet de réaliser des prouesses en matière d'automatisation, mais en tirer une valeur commerciale réelle est une tâche ardue. Ce livre vous apprendra à construire des modèles complexes d'apprentissage profond et à acquérir l'intuition nécessaire pour structurer vos données afin d'atteindre vos objectifs en matière d'apprentissage profond.

Ce livre sur l'apprentissage profond explore chaque aspect du cycle de vie de l'apprentissage profond, de la planification et de la préparation des données au déploiement des modèles et à la gouvernance, en utilisant des scénarios du monde réel qui vous guideront dans la création, le déploiement et la gestion de solutions avancées. Vous apprendrez également à travailler avec des données image, audio, texte et vidéo à l'aide d'architectures d'apprentissage profond, ainsi qu'à optimiser et à évaluer vos modèles d'apprentissage profond de manière objective pour traiter des questions telles que les biais, l'équité, les attaques adverses et la transparence des modèles.

Au fur et à mesure de votre progression, vous exploiterez la puissance des plateformes d'IA pour rationaliser le cycle de vie de l'apprentissage profond et vous tirerez parti des bibliothèques et des cadres Python tels que PyTorch, ONNX, Catalyst, MLFlow, Captum, Nvidia Triton, Prometheus et Grafana pour exécuter des architectures d'apprentissage profond efficaces, optimiser les performances des modèles et rationaliser les processus de déploiement. Vous découvrirez également le potentiel de transformation des grands modèles de langage (LLM) pour un large éventail d'applications.

À la fin de cet ouvrage, vous maîtriserez les techniques d'apprentissage profond afin d'en exploiter tout le potentiel dans le cadre de vos activités.

Ce que vous apprendrez Utiliser la recherche d'architecture neuronale (NAS) pour automatiser la conception de réseaux neuronaux artificiels (ANN) Mettre en œuvre des réseaux neuronaux récurrents (RNN), des réseaux neuronaux convolutifs (CNN), des BERT, des transformateurs, etc. pour construire votre modèle Gérer la dérive de données multimodales dans un environnement de production Évaluer la qualité et le biais de vos modèles Explorer les techniques pour protéger votre modèle contre les attaques adverses Se familiariser avec le déploiement d'un modèle avec DataRobot AutoML

À qui s'adresse ce livre ?

Ce livre s'adresse aux praticiens du deep learning, aux data scientists et aux développeurs de machine learning qui souhaitent explorer les architectures de deep learning pour résoudre des problèmes commerciaux complexes. Les professionnels de l'apprentissage profond et de l'IA au sens large bénéficieront également des informations fournies, applicables à une variété de cas d'utilisation. Une connaissance pratique de la programmation Python et une compréhension de base des techniques d'apprentissage profond sont nécessaires pour commencer à lire ce livre.

Autres informations sur le livre :

• ISBN : 9781803243795
• Auteur : Kin Chin Ee
• Éditeur : Packt Pub
• Langue : anglais
• Reliure : Broché