Deep Learning for Coders with fastai and PyTorch
![Język publikacji: angielski Język publikacji: angielski](https://static01.helion.com.pl/global/flagi/1.png)
- Autorzy:
- Jeremy Howard, Sylvain Gugger
![Deep Learning for Coders with fastai and PyTorch Jeremy Howard, Sylvain Gugger - okładka ebooka](https://static01.helion.com.pl/global/okladki/326x466/e_1ub5.png)
![Deep Learning for Coders with fastai and PyTorch Jeremy Howard, Sylvain Gugger - tył okładki ebooka](https://static01.helion.com.pl/global/okladki-tyl/326x466/e_1ub5.png)
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 624
- Dostępne formaty:
-
ePubMobi
Opis ebooka: Deep Learning for Coders with fastai and PyTorch
Deep learning is often viewed as the exclusive domain of math PhDs and big tech companies. But as this hands-on guide demonstrates, programmers comfortable with Python can achieve impressive results in deep learning with little math background, small amounts of data, and minimal code. How? With fastai, the first library to provide a consistent interface to the most frequently used deep learning applications.
Authors Jeremy Howard and Sylvain Gugger, the creators of fastai, show you how to train a model on a wide range of tasks using fastai and PyTorch. You’ll also dive progressively further into deep learning theory to gain a complete understanding of the algorithms behind the scenes.
- Train models in computer vision, natural language processing, tabular data, and collaborative filtering
- Learn the latest deep learning techniques that matter most in practice
- Improve accuracy, speed, and reliability by understanding how deep learning models work
- Discover how to turn your models into web applications
- Implement deep learning algorithms from scratch
- Consider the ethical implications of your work
- Gain insight from the foreword by PyTorch cofounder, Soumith Chintala
Wybrane bestsellery
-
głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia głębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie sto...(77.40 zł najniższa cena z 30 dni)
77.40 zł
129.00 zł(-40%) -
In the past few years, we’ve seen many data products based on predictive modeling. These products range from weather forecasting to recommendation engines like Amazon's. Prediction technology can be interesting and mathematically elegant, but we need to take the next step: going from recomm...
-
Dzięki tej książce dowiesz się, jak pozyskiwać, analizować i wizualizować dane, a potem używać ich do rozwiązywania problemów biznesowych. Wystarczy, że znasz podstawy Pythona i matematyki na poziomie liceum, aby zacząć stosować naukę o danych w codziennej pracy. Znajdziesz tu szereg praktycznych...(41.40 zł najniższa cena z 30 dni)
41.40 zł
69.00 zł(-40%) -
Ta książka wyjaśni Ci rolę matematyki w tworzeniu, renderowaniu i zmienianiu wirtualnych środowisk 3D, a ponadto pozwoli odkryć tajemnice najpopularniejszych dzisiaj silników gier. Za sprawą licznych praktycznych ćwiczeń zorientujesz się, co się kryje za rysowaniem linii i kształtów graficznych, ...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Dzięki tej książce zrozumiesz, że w rekurencji nie kryje się żadna magia. Dowiesz się, na czym polega jej działanie i kiedy warto zastosować algorytm rekursywny, a kiedy lepiej tego nie robić. Poznasz szereg klasycznych i mniej znanych algorytmów rekurencyjnych. Pracę z zawartym tu materiałem uła...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%) -
Fachowcy z branży IT, by dobrze wykonywać swoją pracę, muszą w niej zwykle używać od kilku do kilkunastu narzędzi. Z drugiej strony nikt nie jest w stanie dobrze poznać nawet wycinka wszystkich technologii, języków programowania czy aplikacji, które powstają każdego roku. Czy wśród tego bogactwa,...(99.49 zł najniższa cena z 30 dni)
79.59 zł
199.00 zł(-60%) -
Ta książka jest przeznaczona dla każdego, kto choć trochę zna Pythona i chce nauczyć się uczenia maszynowego. Zagadnienia matematyczne zostały tu zaprezentowane w minimalnym stopniu, za to więcej uwagi poświęcono koncepcjom, na których oparto najważniejsze i najczęściej używane narzędzia oraz tec...(59.40 zł najniższa cena z 30 dni)
59.40 zł
99.00 zł(-40%) -
Python to jeden z najpopularniejszych dynamicznych języków programowania. Nie od dziś znajduje on zastosowanie w różnych dziedzinach informatyki, zwłaszcza jako doskonały język skryptowy. Jeśli korzystasz z niego na co dzień i chcesz szybko wyszukiwać niezbędne informacje lub odświeżyć swoją wied...(8.49 zł najniższa cena z 30 dni)
8.49 zł
17.00 zł(-50%)
O autorach ebooka
Jeremy Howard jest przedsiębiorcą, ekspertem, programistą i naukowcem. Wykłada na Uniwersytecie w San Francisco. Inwestował w wiele start-upów, był ich mentorem i doradcą.
Sylvain Gugger jest inżynierem badawczym w Hugging Face. Wcześniej nauczał informatyki i matematyki w ramach programu CPGE. Autor kilku cenionych podręczników.
Kup polskie wydanie:
Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch
- Autor:
- Jeremy Howard, Sylvain Gugger
64,50 zł
129,00 zł
(64.50 zł najniższa cena z 30 dni)
Ebooka "Deep Learning for Coders with fastai and PyTorch" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Deep Learning for Coders with fastai and PyTorch" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Deep Learning for Coders with fastai and PyTorch" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- ISBN Ebooka:
- 978-14-920-4547-2, 9781492045472
- Data wydania ebooka:
-
2020-06-29
Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
- Język publikacji:
- angielski
- Rozmiar pliku ePub:
- 30.6MB
- Rozmiar pliku Mobi:
- 63.0MB
Spis treści ebooka
- Preface
- Who This Book Is For
- What You Need to Know
- What You Will Learn
- OReilly Online Learning
- How to Contact Us
- Foreword
- I. Deep Learning in Practice
- 1. Your Deep Learning Journey
- Deep Learning Is for Everyone
- Neural Networks: A Brief History
- Who We Are
- How to Learn Deep Learning
- Your Projects and Your Mindset
- The Software: PyTorch, fastai, and Jupyter (And Why It Doesnt Matter)
- Your First Model
- Getting a GPU Deep Learning Server
- Running Your First Notebook
- What Is Machine Learning?
- What Is a Neural Network?
- A Bit of Deep Learning Jargon
- Limitations Inherent to Machine Learning
- How Our Image Recognizer Works
- What Our Image Recognizer Learned
- Image Recognizers Can Tackle Non-Image Tasks
- Jargon Recap
- Deep Learning Is Not Just for Image Classification
- Validation Sets and Test Sets
- Use Judgment in Defining Test Sets
- A Choose Your Own Adventure Moment
- Questionnaire
- Further Research
- 2. From Model to Production
- The Practice of Deep Learning
- Starting Your Project
- The State of Deep Learning
- Computer vision
- Text (natural language processing)
- Combining text and images
- Tabular data
- Recommendation systems
- Other data types
- The Drivetrain Approach
- The Practice of Deep Learning
- Gathering Data
- From Data to DataLoaders
- Data Augmentation
- Training Your Model, and Using It to Clean Your Data
- Turning Your Model into an Online Application
- Using the Model for Inference
- Creating a Notebook App from the Model
- Turning Your Notebook into a Real App
- Deploying Your App
- How to Avoid Disaster
- Unforeseen Consequences and Feedback Loops
- Get Writing!
- Questionnaire
- Further Research
- 3. Data Ethics
- Key Examples for Data Ethics
- Bugs and Recourse: Buggy Algorithm Used for Healthcare Benefits
- Feedback Loops: YouTubes Recommendation System
- Bias: Professor Latanya Sweeney Arrested
- Why Does This Matter?
- Key Examples for Data Ethics
- Integrating Machine Learning with Product Design
- Topics in Data Ethics
- Recourse and Accountability
- Feedback Loops
- Bias
- Historical bias
- Measurement bias
- Aggregation bias
- Representation bias
- Addressing different types of bias
- Disinformation
- Identifying and Addressing Ethical Issues
- Analyze a Project You Are Working On
- Processes to Implement
- Ethical lenses
- The Power of Diversity
- Fairness, Accountability, and Transparency
- Role of Policy
- The Effectiveness of Regulation
- Rights and Policy
- Cars: A Historical Precedent
- Conclusion
- Questionnaire
- Further Research
- Deep Learning in Practice: Thats a Wrap!
- II. Understanding fastais Applications
- 4. Under the Hood: Training a Digit Classifier
- Pixels: The Foundations of Computer Vision
- First Try: Pixel Similarity
- NumPy Arrays and PyTorch Tensors
- Computing Metrics Using Broadcasting
- Stochastic Gradient Descent
- Calculating Gradients
- Stepping with a Learning Rate
- An End-to-End SGD Example
- Step 1: Initialize the parameters
- Step 2: Calculate the predictions
- Step 3: Calculate the loss
- Step 4: Calculate the gradients
- Step 5: Step the weights
- Step 6: Repeat the process
- Step 7: Stop
- Summarizing Gradient Descent
- The MNIST Loss Function
- Sigmoid
- SGD and Mini-Batches
- Putting It All Together
- Creating an Optimizer
- Adding a Nonlinearity
- Going Deeper
- Jargon Recap
- Questionnaire
- Further Research
- 5. Image Classification
- From Dogs and Cats to Pet Breeds
- Presizing
- Checking and Debugging a DataBlock
- Cross-Entropy Loss
- Viewing Activations and Labels
- Softmax
- Log Likelihood
- Taking the log
- Model Interpretation
- Improving Our Model
- The Learning Rate Finder
- Unfreezing and Transfer Learning
- Discriminative Learning Rates
- Selecting the Number of Epochs
- Deeper Architectures
- Conclusion
- Questionnaire
- Further Research
- 6. Other Computer Vision Problems
- Multi-Label Classification
- The Data
- Constructing a DataBlock
- Binary Cross Entropy
- Multi-Label Classification
- Regression
- Assembling the Data
- Training a Model
- Conclusion
- Questionnaire
- Further Research
- 7. Training a State-of-the-Art Model
- Imagenette
- Normalization
- Progressive Resizing
- Test Time Augmentation
- Mixup
- Label Smoothing
- Conclusion
- Questionnaire
- Further Research
- 8. Collaborative Filtering Deep Dive
- A First Look at the Data
- Learning the Latent Factors
- Creating the DataLoaders
- Collaborative Filtering from Scratch
- Weight Decay
- Creating Our Own Embedding Module
- Interpreting Embeddings and Biases
- Using fastai.collab
- Embedding Distance
- Bootstrapping a Collaborative Filtering Model
- Deep Learning for Collaborative Filtering
- Conclusion
- Questionnaire
- Further Research
- 9. Tabular Modeling Deep Dive
- Categorical Embeddings
- Beyond Deep Learning
- The Dataset
- Kaggle Competitions
- Look at the Data
- Decision Trees
- Handling Dates
- Using TabularPandas and TabularProc
- Creating the Decision Tree
- Categorical Variables
- Random Forests
- Creating a Random Forest
- Out-of-Bag Error
- Model Interpretation
- Tree Variance for Prediction Confidence
- Feature Importance
- Removing Low-Importance Variables
- Removing Redundant Features
- Partial Dependence
- Data Leakage
- Tree Interpreter
- Extrapolation and Neural Networks
- The Extrapolation Problem
- Finding Out-of-Domain Data
- Using a Neural Network
- Ensembling
- Boosting
- Combining Embeddings with Other Methods
- Conclusion
- Questionnaire
- Further Research
- 10. NLP Deep Dive: RNNs
- Text Preprocessing
- Tokenization
- Word Tokenization with fastai
- Subword Tokenization
- Numericalization with fastai
- Putting Our Texts into Batches for a Language Model
- Text Preprocessing
- Training a Text Classifier
- Language Model Using DataBlock
- Fine-Tuning the Language Model
- Saving and Loading Models
- Text Generation
- Creating the Classifier DataLoaders
- Fine-Tuning the Classifier
- Disinformation and Language Models
- Conclusion
- Questionnaire
- Further Research
- 11. Data Munging with fastais Mid-Level API
- Going Deeper into fastais Layered API
- Transforms
- Writing Your Own Transform
- Pipeline
- Going Deeper into fastais Layered API
- TfmdLists and Datasets: Transformed Collections
- TfmdLists
- Datasets
- Applying the Mid-Level Data API: SiamesePair
- Conclusion
- Questionnaire
- Further Research
- Understanding fastais Applications: Wrap Up
- III. Foundations of Deep Learning
- 12. A Language Model from Scratch
- The Data
- Our First Language Model from Scratch
- Our Language Model in PyTorch
- Our First Recurrent Neural Network
- Improving the RNN
- Maintaining the State of an RNN
- Creating More Signal
- Multilayer RNNs
- The Model
- Exploding or Disappearing Activations
- LSTM
- Building an LSTM from Scratch
- Training a Language Model Using LSTMs
- Regularizing an LSTM
- Dropout
- Activation Regularization and Temporal Activation Regularization
- Training a Weight-Tied Regularized LSTM
- Conclusion
- Questionnaire
- Further Research
- 13. Convolutional Neural Networks
- The Magic of Convolutions
- Mapping a Convolutional Kernel
- Convolutions in PyTorch
- Strides and Padding
- Understanding the Convolution Equations
- The Magic of Convolutions
- Our First Convolutional Neural Network
- Creating the CNN
- Understanding Convolution Arithmetic
- Receptive Fields
- A Note About Twitter
- Color Images
- Improving Training Stability
- A Simple Baseline
- Increase Batch Size
- 1cycle Training
- Batch Normalization
- Conclusion
- Questionnaire
- Further Research
- 14. ResNets
- Going Back to Imagenette
- Building a Modern CNN: ResNet
- Skip Connections
- A State-of-the-Art ResNet
- Bottleneck Layers
- Conclusion
- Questionnaire
- Further Research
- 15. Application Architectures Deep Dive
- Computer Vision
- cnn_learner
- unet_learner
- A Siamese Network
- Computer Vision
- Natural Language Processing
- Tabular
- Conclusion
- Questionnaire
- Further Research
- 16. The Training Process
- Establishing a Baseline
- A Generic Optimizer
- Momentum
- RMSProp
- Adam
- Decoupled Weight Decay
- Callbacks
- Creating a Callback
- Callback Ordering and Exceptions
- Conclusion
- Questionnaire
- Further Research
- Foundations of Deep Learning: Wrap Up
- IV. Deep Learning from Scratch
- 17. A Neural Net from the Foundations
- Building a Neural Net Layer from Scratch
- Modeling a Neuron
- Matrix Multiplication from Scratch
- Elementwise Arithmetic
- Broadcasting
- Broadcasting with a scalar
- Broadcasting a vector to a matrix
- Broadcasting rules
- Einstein Summation
- Building a Neural Net Layer from Scratch
- The Forward and Backward Passes
- Defining and Initializing a Layer
- Gradients and the Backward Pass
- Refactoring the Model
- Going to PyTorch
- Conclusion
- Questionnaire
- Further Research
- 18. CNN Interpretation with CAM
- CAM and Hooks
- Gradient CAM
- Conclusion
- Questionnaire
- Further Research
- 19. A fastai Learner from Scratch
- Data
- Dataset
- Data
- Module and Parameter
- Simple CNN
- Loss
- Learner
- Callbacks
- Scheduling the Learning Rate
- Conclusion
- Questionnaire
- Further Research
- 20. Concluding Thoughts
- A. Creating a Blog
- Blogging with GitHub Pages
- Creating the Repository
- Setting Up Your Home Page
- Creating Posts
- Synchronizing GitHub and Your Computer
- Blogging with GitHub Pages
- Jupyter for Blogging
- B. Data Project Checklist
- Data Scientists
- Strategy
- Data
- Analytics
- Implementation
- Maintenance
- Constraints
- Index
O'Reilly Media - inne książki
-
This concise yet comprehensive guide explains how to adopt a data lakehouse architecture to implement modern data platforms. It reviews the design considerations, challenges, and best practices for implementing a lakehouse and provides key insights into the ways that using a lakehouse can impact ...(193.19 zł najniższa cena z 30 dni)
192.69 zł
249.00 zł(-23%) -
In today's fast-paced world, more and more organizations require rapid application development with reduced development costs and increased productivity. This practical guide shows application developers how to use PowerApps, Microsoft's no-code/low-code application framework that helps developer...(162.27 zł najniższa cena z 30 dni)
162.17 zł
209.00 zł(-22%) -
Welcome to the systems age, where software professionals are no longer building software&emdash;we're building systems of software. Change is continuously deployed across software ecosystems coordinated by responsive infrastructure. In this world of increasing relational complexity, we need t...(152.01 zł najniższa cena z 30 dni)
151.81 zł
209.00 zł(-27%) -
This book provides an ideal guide for Python developers who want to learn how to build applications with large language models. Authors Olivier Caelen and Marie-Alice Blete cover the main features and benefits of GPT-4 and GPT-3.5 models and explain how they work. You'll also get a step-by-step g...(155.36 zł najniższa cena z 30 dni)
154.86 zł
209.00 zł(-26%) -
In today's cloud native world, where we automate as much as possible, everything is code. With this practical guide, you'll learn how Policy as Code (PaC) provides the means to manage the policies, related data, and responses to events that occur within the systems we maintain—Kubernetes, c...(212.39 zł najniższa cena z 30 dni)
212.34 zł
279.00 zł(-24%) -
Geared to intermediate- to advanced-level DBAs and IT professionals looking to enhance their MySQL skills, this guide provides a comprehensive overview on how to manage and optimize MySQL databases. You'll learn how to create databases and implement backup and recovery, security configurations, h...(221.33 zł najniższa cena z 30 dni)
221.28 zł
279.00 zł(-21%) -
Get the details, examples, and best practices you need to build generative AI applications, services, and solutions using the power of Azure OpenAI Service. With this comprehensive guide, Microsoft AI specialist Adrián González Sánchez examines the integration and utilization of Az...(162.18 zł najniższa cena z 30 dni)
162.08 zł
209.00 zł(-22%) -
Despite the increase of high-profile hacks, record-breaking data leaks, and ransomware attacks, many organizations don't have the budget for an information security (InfoSec) program. If you're forced to protect yourself by improvising on the job, this pragmatic guide provides a security-101 hand...(214.57 zł najniższa cena z 30 dni)
214.47 zł
239.00 zł(-10%) -
Keeping up with the Python ecosystem can be daunting. Its developer tooling doesn't provide the out-of-the-box experience native to languages like Rust and Go. When it comes to long-term project maintenance or collaborating with others, every Python project faces the same problem: how to build re...(188.79 zł najniższa cena z 30 dni)
188.29 zł
239.00 zł(-21%) -
Bringing a deep-learning project into production at scale is quite challenging. To successfully scale your project, a foundational understanding of full stack deep learning, including the knowledge that lies at the intersection of hardware, software, data, and algorithms, is required.This book il...(227.14 zł najniższa cena z 30 dni)
226.64 zł
279.00 zł(-19%)
Dzieki opcji "Druk na żądanie" do sprzedaży wracają tytuły Grupy Helion, które cieszyły sie dużym zainteresowaniem, a których nakład został wyprzedany.
Dla naszych Czytelników wydrukowaliśmy dodatkową pulę egzemplarzy w technice druku cyfrowego.
Co powinieneś wiedzieć o usłudze "Druk na żądanie":
- usługa obejmuje tylko widoczną poniżej listę tytułów, którą na bieżąco aktualizujemy;
- cena książki może być wyższa od początkowej ceny detalicznej, co jest spowodowane kosztami druku cyfrowego (wyższymi niż koszty tradycyjnego druku offsetowego). Obowiązująca cena jest zawsze podawana na stronie WWW książki;
- zawartość książki wraz z dodatkami (płyta CD, DVD) odpowiada jej pierwotnemu wydaniu i jest w pełni komplementarna;
- usługa nie obejmuje książek w kolorze.
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka, którą chcesz zamówić pochodzi z końcówki nakładu. Oznacza to, że mogą się pojawić drobne defekty (otarcia, rysy, zagięcia).
Co powinieneś wiedzieć o usłudze "Końcówka nakładu":
- usługa obejmuje tylko książki oznaczone tagiem "Końcówka nakładu";
- wady o których mowa powyżej nie podlegają reklamacji;
Masz pytanie o konkretny tytuł? Napisz do nas: sklep[at]helion.pl.
Książka drukowana
![Loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
![ajax-loader](https://static01.helion.com.pl/ebookpoint/img/ajax-loader.gif)
Oceny i opinie klientów: Deep Learning for Coders with fastai and PyTorch Jeremy Howard, Sylvain Gugger (0)
Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.