91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
碼農(nóng)的零門(mén)檻AI課：基于fastai與PyTorch的深度學(xué)習(xí)
碼農(nóng)的零門(mén)檻AI課：基于fastai與PyTorch的深度學(xué)習(xí)
Jeremy Howard, Sylvain Gugger 著
陳志凱, 熊英鷹 譯
出版時(shí)間：2023年06月
頁(yè)數(shù)：572
“程序員要想精通深度學(xué)習(xí)，這本書(shū)是極好的學(xué)習(xí)范本之一?！?br /> ——Peter Norvig
谷歌公司研究總監(jiān)
“這本書(shū)簡(jiǎn)單實(shí)用，并且用動(dòng)手實(shí)踐的方式為大家揭開(kāi)了深度學(xué)習(xí)的神秘面紗。”
——Curtis Langlotz
斯坦福大學(xué)醫(yī)學(xué)和影像信息學(xué)人工智能中心（AIMI 中心）主任

人們通常認(rèn)為只有數(shù)學(xué)博士和大型科技公司才能涉足深度學(xué)習(xí)這個(gè)專屬領(lǐng)域。但在本書(shū)中，大家可以看到在幾乎沒(méi)有任何數(shù)學(xué)背景、只有少量數(shù)據(jù)和代碼的情況下，程序員只要熟悉Python，就可以在深度學(xué)習(xí)中取得令人驚嘆的結(jié)果。那么是怎么實(shí)現(xiàn)的呢？通過(guò)fastai庫(kù)即可，這是第一個(gè)深度學(xué)習(xí)應(yīng)用程序中常用的且提供持續(xù)穩(wěn)定接口的庫(kù)。
在這本書(shū)中，fast.ai的創(chuàng)建者杰里米·霍華德（Jeremy Howard）和西爾文· 古格（Sylvain Gugger）向大家展示了使用fastai和PyTorch在大量任務(wù)上訓(xùn)練模型的方式。并且，大家還將逐步深入了解深度學(xué)習(xí)的理論，以便全面理解算法背后的原理。
● 訓(xùn)練計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、表格數(shù)據(jù)和協(xié)同過(guò)濾模型
● 學(xué)習(xí)在實(shí)踐中重要且前沿的深度學(xué)習(xí)技術(shù)
● 通過(guò)了解深度學(xué)習(xí)模型的工作原理，來(lái)提高模型訓(xùn)練的準(zhǔn)確率、速度和可靠性
● 了解如何將自己的模型轉(zhuǎn)換為Web應(yīng)用程序
● 從頭開(kāi)始實(shí)現(xiàn)深度學(xué)習(xí)算法
● 思考模型訓(xùn)練背后的倫理
● 從PyTorch聯(lián)合創(chuàng)始人Soumith Chintala的序中獲得領(lǐng)悟
  1. 前言
  2. 序
  3. 第Ⅰ部分　上手實(shí)踐深度學(xué)習(xí)
  4. 第1章　你的深度學(xué)習(xí)之旅
  5. 人人都可以學(xué)會(huì)深度學(xué)習(xí)
  6. 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)史
  7. 作者介紹
  8. 如何學(xué)習(xí)深度學(xué)習(xí)
  9. 你的項(xiàng)目和思維模式
  10. 構(gòu)建模型相關(guān)的庫(kù)和運(yùn)行環(huán)境：PyTorch、fastai和Jupyter（它們都不重要）
  11. 你的第一個(gè)模型
  12. 找一臺(tái)擁有合適GPU的計(jì)算機(jī)用于深度學(xué)習(xí)
  13. 運(yùn)行你的第一個(gè)notebook
  14. 什么是機(jī)器學(xué)習(xí)
  15. 什么是神經(jīng)網(wǎng)絡(luò)
  16. 一些深度學(xué)習(xí)的術(shù)語(yǔ)
  17. 機(jī)器學(xué)習(xí)的局限性
  18. 圖像識(shí)別器工作的方式
  19. 圖像識(shí)別器在學(xué)習(xí)什么
  20. 圖像識(shí)別器可處理非圖像任務(wù)
  21. 術(shù)語(yǔ)回顧
  22. 深度學(xué)習(xí)不僅僅用于圖像分類
  23. 驗(yàn)證集和測(cè)試集
  24. 根據(jù)判斷定義測(cè)試集
  25. 選擇你想要冒險(xiǎn)探索的方向
  26. 問(wèn)題
  27. 深入研究
  28. 第2章　從模型到輸出
  29. 深度學(xué)習(xí)的實(shí)踐
  30. 開(kāi)始你的項(xiàng)目
  31. 深度學(xué)習(xí)的研究進(jìn)展
  32. 傳動(dòng)系統(tǒng)方法
  33. 收集數(shù)據(jù)
  34. 從數(shù)據(jù)到數(shù)據(jù)加載器
  35. 數(shù)據(jù)增強(qiáng)
  36. 訓(xùn)練模型，并使用模型進(jìn)行數(shù)據(jù)清洗
  37. 將模型轉(zhuǎn)換為在線應(yīng)用程序
  38. 使用模型進(jìn)行推理
  39. 從模型創(chuàng)建notebook應(yīng)用
  40. 讓notebook成為一個(gè)真正的應(yīng)用程序
  41. 部署你的應(yīng)用程序
  42. 如何避免災(zāi)難
  43. 不可預(yù)見(jiàn)的后果和反饋回路
  44. 寫(xiě)下來(lái)
  45. 問(wèn)題
  46. 深入研究
  47. 第3章　數(shù)據(jù)倫理
  48. 數(shù)據(jù)倫理的主要案例
  49. 各種Bug和追索權(quán)：漏洞百出的醫(yī)療保健福利算法
  50. 反饋回路：YouTube的推薦系統(tǒng)
  51. 偏見(jiàn)：拉塔尼亞·斯威尼“已被捕”
  52. 為什么倫理如此重要
  53. 在產(chǎn)品設(shè)計(jì)中結(jié)合機(jī)器學(xué)習(xí)
  54. 數(shù)據(jù)倫理專題
  55. 追索權(quán)和問(wèn)責(zé)制
  56. 反饋回路
  57. 偏見(jiàn)
  58. 謠言
  59. 識(shí)別和解決倫理問(wèn)題
  60. 分析你正在做的項(xiàng)目
  61. 落地流程
  62. 多元的力量
  63. 公平、問(wèn)責(zé)和透明
  64. 政策的作用
  65. 監(jiān)管的有效性
  66. 權(quán)利與政策
  67. 汽車(chē)：前車(chē)之鑒
  68. 結(jié)論
  69. 問(wèn)題
  70. 深入研究
  71. 上手實(shí)踐深度學(xué)習(xí)：圓滿完成
  72. 第Ⅱ部分　理解fastai的應(yīng)用
  73. 第4章　深入探索謎底：訓(xùn)練數(shù)字分類器
  74. 像素：計(jì)算機(jī)視覺(jué)的基礎(chǔ)
  75. 第一次嘗試：像素相似度
  76. Numpy數(shù)組和PyTorch張量
  77. 使用廣播機(jī)制計(jì)算指標(biāo)
  78. 隨機(jī)梯度下降法
  79. 梯度計(jì)算
  80. 通過(guò)學(xué)習(xí)率迭代
  81. 一個(gè)直觀的隨機(jī)梯度下降案例
  82. 梯度下降的總結(jié)
  83. MNIST損失函數(shù)
  84. sigmoid
  85. 隨機(jī)梯度下降及小批次
  86. 將它們集成在一起
  87. 創(chuàng)建一個(gè)優(yōu)化器
  88. 增加一個(gè)非線性特征
  89. 更深入一些
  90. 術(shù)語(yǔ)回顧
  91. 問(wèn)題
  92. 深入研究
  93. 第5章 　圖像分類
  94. 從貓狗識(shí)別到寵物分類
  95. 圖像尺寸的預(yù)處理
  96. 檢查和調(diào)試數(shù)據(jù)塊
  97. 交叉熵?fù)p失
  98. 查看激活值和標(biāo)簽
  99. softmax
  100. 對(duì)數(shù)似然
  101. 使用對(duì)數(shù)函數(shù)
  102. 模型解釋
  103. 改進(jìn)我們的模型
  104. 學(xué)習(xí)率查找器
  105. 解凍與遷移學(xué)習(xí)
  106. 區(qū)別學(xué)習(xí)率
  107. 選擇訓(xùn)練的周期數(shù)
  108. 更深的網(wǎng)絡(luò)架構(gòu)
  109. 結(jié)論
  110. 問(wèn)題
  111. 深入研究
  112. 第6章　其他計(jì)算機(jī)視覺(jué)問(wèn)題
  113. 多標(biāo)簽分類
  114. 數(shù)據(jù)
  115. 構(gòu)建數(shù)據(jù)塊
  116. 二元交叉熵
  117. 回歸
  118. 配置數(shù)據(jù)
  119. 訓(xùn)練模型
  120. 結(jié)論
  121. 問(wèn)題
  122. 深入研究
  123. 第7章　訓(xùn)練最高水準(zhǔn)的模型
  124. Imagenette
  125. 標(biāo)準(zhǔn)化
  126. 漸進(jìn)式調(diào)整尺寸
  127. 測(cè)試期的數(shù)據(jù)增強(qiáng)
  128. Mixup
  129. 標(biāo)簽平滑
  130. 結(jié)論
  131. 問(wèn)題
  132. 深入研究
  133. 第8章　深入?yún)f(xié)同過(guò)濾
  134. 了解數(shù)據(jù)
  135. 學(xué)習(xí)潛在特征
  136. 創(chuàng)建DataLoaders
  137. 從頭開(kāi)始進(jìn)行協(xié)同過(guò)濾
  138. 權(quán)重衰減
  139. 創(chuàng)建我們自己的嵌入模塊
  140. 嵌入和偏差的解釋
  141. 使用fastai.collab
  142. 嵌入距離
  143. 啟動(dòng)協(xié)同過(guò)濾模型的自助取樣
  144. 用于協(xié)同過(guò)濾的深度學(xué)習(xí)
  145. 結(jié)論
  146. 問(wèn)題
  147. 深入研究
  148. 第9章　深入學(xué)習(xí)表格建模
  149. 分類嵌入
  150. 超越深度學(xué)習(xí)
  151. 數(shù)據(jù)集
  152. Kaggle競(jìng)賽
  153. 查看數(shù)據(jù)
  154. 決策樹(shù)
  155. 處理日期
  156. 使用TabularPandas和TabularProc
  157. 創(chuàng)建決策樹(shù)
  158. 分類變量
  159. 隨機(jī)森林
  160. 創(chuàng)建一個(gè)隨機(jī)森林
  161. out-of-bag error
  162. 模型解釋
  163. 樹(shù)預(yù)測(cè)置信度的方差
  164. 特征重要性
  165. 刪除低重要性特征
  166. 刪除冗余特征
  167. 部分依賴
  168. 數(shù)據(jù)泄露
  169. 樹(shù)解釋器
  170. 外推與神經(jīng)網(wǎng)絡(luò)
  171. 外推問(wèn)題
  172. 查找域外數(shù)據(jù)
  173. 使用神經(jīng)網(wǎng)絡(luò)
  174. 集成
  175. boosting
  176. 將嵌入與其他方法相結(jié)合
  177. 結(jié)論
  178. 問(wèn)題
  179. 深入研究
  180. 第10章　NLP深度探究：RNN
  181. 文本預(yù)處理
  182. 分詞
  183. 用fastai進(jìn)行分詞
  184. 根據(jù)子詞分詞
  185. 使用fastai進(jìn)行數(shù)值化
  186. 將文本分批作為語(yǔ)言模型的輸入
  187. 訓(xùn)練文本分類器
  188. 使用數(shù)據(jù)塊來(lái)訓(xùn)練語(yǔ)言模型
  189. 微調(diào)語(yǔ)言模型
  190. 保存和加載模型
  191. 文本生成
  192. 創(chuàng)建分類器的數(shù)據(jù)加載器
  193. 微調(diào)分類模型
  194. 虛假信息和語(yǔ)言模型
  195. 結(jié)論
  196. 問(wèn)題
  197. 深入研究
  198. 第11章　使用fastai的中間層API來(lái)處理數(shù)據(jù)
  199. 深入研究fastai的分層API
  200. 轉(zhuǎn)換
  201. 編寫(xiě)自定義轉(zhuǎn)換
  202. 管道
  203. TfmdLists和Dataset：轉(zhuǎn)換后的集合
  204. TfmdLists
  205. Datasets
  206. 應(yīng)用中間層數(shù)據(jù)API：孿生體（Siamese Pair）
  207. 結(jié)論
  208. 問(wèn)題
  209. 深入研究
  210. 理解fastai的應(yīng)用：總結(jié)
  211. 第Ⅲ部分　深度學(xué)習(xí)基礎(chǔ)
  212. 第12章　從零開(kāi)始制作語(yǔ)言模型.
  213. 數(shù)據(jù)
  214. 從零開(kāi)始構(gòu)建你的第一個(gè)語(yǔ)言模型
  215. PyTorch語(yǔ)言模型
  216. 我們的第一個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)
  217. 改進(jìn)RNN
  218. 維持RNN的狀態(tài)
  219. 創(chuàng)建更多的標(biāo)志
  220. 多層循環(huán)神經(jīng)網(wǎng)絡(luò)
  221. 模型
  222. 激活值消失/爆炸
  223. LSTM
  224. 從零開(kāi)始構(gòu)建LSTM
  225. 使用LSTM訓(xùn)練一個(gè)語(yǔ)言模型
  226. 對(duì)LSTM進(jìn)行正則化
  227. dropout
  228. 激活單元正則化和時(shí)序激活單元正則化
  229. 訓(xùn)練一個(gè)權(quán)重綁定正則化LSTM
  230. 結(jié)論
  231. 問(wèn)題
  232. 深入研究
  233. 第13章　卷積神經(jīng)網(wǎng)絡(luò)
  234. 卷積的魔力
  235. 應(yīng)用一個(gè)卷積核
  236. PyTorch中的卷積
  237. 步長(zhǎng)和填充
  238. 理解卷積方程
  239. 我們的第一個(gè)卷積神經(jīng)網(wǎng)絡(luò)
  240. 創(chuàng)建CNN
  241. 理解卷積運(yùn)算
  242. 感受野
  243. 關(guān)于Twitter的提示
  244. 彩色圖像
  245. 改善訓(xùn)練穩(wěn)定性
  246. 簡(jiǎn)單基準(zhǔn)
  247. 增加批次大小
  248. 1周期訓(xùn)練
  249. 批次歸一化
  250. 結(jié)論
  251. 問(wèn)題
  252. 深入研究
  253. 第14章　ResNet
  254. 回到Imagenette
  255. 建立現(xiàn)代CNN：ResNet
  256. 跳連
  257. 最先進(jìn)的ResNet
  258. 瓶頸層
  259. 結(jié)論
  260. 問(wèn)題
  261. 深入研究
  262. 第15章　深入研究應(yīng)用架構(gòu)
  263. 計(jì)算機(jī)視覺(jué)
  264. cnn_learner
  265. unet_learner
  266. Siamese網(wǎng)絡(luò)
  267. 自然語(yǔ)言處理
  268. 表格
  269. 結(jié)論
  270. 問(wèn)題
  271. 深入研究
  272. 第16章　訓(xùn)練過(guò)程
  273. 建立基線
  274. 通用優(yōu)化器
  275. 動(dòng)量
  276. RMSProp
  277. Adam
  278. 解耦權(quán)重衰減
  279. 回調(diào)
  280. 創(chuàng)建一個(gè)回調(diào)函數(shù)
  281. 回調(diào)排序和異常
  282. 結(jié)論
  283. 問(wèn)題
  284. 深入研究
  285. 深度學(xué)習(xí)基礎(chǔ)：總結(jié)
  286. 第Ⅳ部分　從零開(kāi)始學(xué)習(xí)深度學(xué)習(xí)
  287. 第17章　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
  288. 從零開(kāi)始構(gòu)建神經(jīng)網(wǎng)絡(luò)層
  289. 建立神經(jīng)元模型
  290. 從零開(kāi)始進(jìn)行矩陣乘法
  291. 逐元素運(yùn)算
  292. 廣播
  293. 愛(ài)因斯坦求和
  294. 前向和反向傳播
  295. 定義神經(jīng)網(wǎng)絡(luò)層并對(duì)其初始化
  296. 梯度和反向傳播
  297. 重構(gòu)模型
  298. 邁向PyTorch
  299. 結(jié)論
  300. 問(wèn)題
  301. 深入研究
  302. 第18章　用CAM做CNN的解釋
  303. CAM和hook
  304. 梯度CAM
  305. 結(jié)論
  306. 問(wèn)題
  307. 深入研究
  308. 第19章　從零開(kāi)始構(gòu)建fastai Learner
  309. 數(shù)據(jù)
  310. 數(shù)據(jù)集
  311. Module和Parameter
  312. 簡(jiǎn)單的CNN
  313. 損失
  314. Learner
  315. 回調(diào)
  316. 調(diào)整學(xué)習(xí)率安排表
  317. 結(jié)論
  318. 問(wèn)題
  319. 深入研究
  320. 第20章　總結(jié)
  321. 附錄A　創(chuàng)建一個(gè)博客
  322. 附錄B　數(shù)據(jù)科學(xué)項(xiàng)目的檢查表
書(shū)名：碼農(nóng)的零門(mén)檻AI課：基于fastai與PyTorch的深度學(xué)習(xí)
譯者：陳志凱, 熊英鷹 譯
國(guó)內(nèi)出版社：電子工業(yè)出版社
出版時(shí)間：2023年06月
頁(yè)數(shù)：572
書(shū)號(hào)：978-7-121-45572-8
原版書(shū)書(shū)名：Deep Learning for Coders with fastai and PyTorch
原版書(shū)出版商：O'Reilly Media
Jeremy Howard
 
Jeremy Howard是fast.ai的創(chuàng)始研究員，fast.ai研究所致力于讓大家更容易上手深度學(xué)習(xí)。同時(shí)，他也是舊金山大學(xué)杰出的研究科學(xué)家和世界經(jīng)濟(jì)論壇全球AI理事會(huì)成員。
 
 
Sylvain Gugger
 
Sylvain Gugger是Hugging Face的研究工程師。此前，他曾是fast.ai的研究科學(xué)家，主要研究如何通過(guò)設(shè)計(jì)和改進(jìn)技術(shù)讓模型在資源有限的情況下訓(xùn)練得更快，以使更多的人使用深度學(xué)習(xí)。
 
 
購(gòu)買(mǎi)選項(xiàng)
定價(jià)：179.00元
書(shū)號(hào)：978-7-121-45572-8
出版社：電子工業(yè)出版社