ODBIERZ TWÓJ BONUS :: »

Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III François Chollet, Matthew Watson

Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III François Chollet, Matthew Watson - okladka książki

Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III François Chollet, Matthew Watson - okladka książki

Autorzy:
François Chollet, Matthew Watson
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
Bądź pierwszym, który oceni tę książkę
Stron:
664
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi

Zajrzyj do książki

Czytaj fragment
119,20 zł 149,00 zł (-20%)
104,30 zł najniższa cena z 30 dni

Dodaj do koszyka Darmowa dostawa od 60,00 zł Do darmowej dostawy brakuje Ci 0,00 zł Najtańsza dostawa od 9,90 zł Gratulujemy! Twoje zamówienie kwalifikuje się do darmowej wysyłki Wysyłamy w 24h

111,75 zł 149,00 zł (-25%)
104,30 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Dla kogo jest ta książka?

Ta książka jest dla początkujących i średniozaawansowanych programistów Pythona, data scientistów oraz inżynierów ML, którzy chcą przejść od podstaw (tensory, gradienty, backprop) do budowania działających modeli w Kerasie i przenoszenia wiedzy na TensorFlow, PyTorch i JAX. Sprawdzi się też u analityków danych, którym zależy na praktycznym workflow: przygotowaniu danych, treningu, walidacji i wdrożeniu modeli do obrazów (CNN, segmentacja, detekcja), szeregów czasowych (LSTM/GRU) oraz NLP/LLM (transformery, miniGPT, LoRA, RLHF, RAG) i generowania obrazów (VAE, Stable Diffusion). Wymagana jest podstawowa znajomość Pythona; wcześniejsze doświadczenie w uczeniu głębokim nie jest konieczne, bo materiał prowadzi krok po kroku na gotowych przykładach kodu.

Czego się nauczysz?

  • Rozróżniać sztuczną inteligencję, uczenie maszynowe i uczenie głębokie oraz dobierać je do problemu
  • Pracować z tensorami w NumPy i rozumieć ich kształty, wymiary oraz wsady danych
  • Obliczać gradienty i stosować spadek gradientu oraz propagację wsteczną w treningu sieci
  • Budować i trenować pierwsze modele neuronowe od podstaw oraz poprawnie je oceniać
  • Wykorzystywać TensorFlow, PyTorch, JAX i Keras do tworzenia modeli i eksperymentów
  • Konfigurować proces uczenia w Keras: funkcję straty, metryki, kompilację, fit i wnioskowanie
  • Projektować modele do klasyfikacji binarnej, wieloklasowej i regresji oraz stosować walidację krzyżową
  • Diagnozować underfitting i overfitting oraz poprawiać generalizację przez regularyzację i wczesne zatrzymanie
  • Przeprowadzać pełny workflow ML: definiować problem, przygotowywać dane, trenować, wdrażać i monitorować model
  • Tworzyć modele CNN do klasyfikacji obrazów oraz stosować augmentację i transfer learning
  • Stosować wzorce architektur CNN (ResNet, batch norm, separowalne konwolucje) oraz rozumieć Vision Transformer
  • Interpretować działanie CNN przez wizualizacje aktywacji, filtrów, map ciepła i przestrzeni ukrytej
  • Trenować modele do segmentacji i wykrywania obiektów, w tym YOLO oraz używać gotowych modeli typu SAM i RetinaNet
  • Prognozować szeregi czasowe z użyciem sieci rekurencyjnych (LSTM/GRU), dropout i modeli dwukierunkowych
  • Budować modele NLP: tokenizować tekst, trenować osadzenia i klasyfikować sekwencje
  • Implementować transformery, trenować miniGPT, dostrajać LLM metodą LoRA oraz generować obrazy VAE i modelami dyfuzyjnymi (Stable Diffusion)

Uczenie głębokie to jedna z najdynamiczniej rozwijających się dziedzin informatyki w ciągu ostatniej dekady zrewolucjonizowało branżę IT, medycynę, transport i kulturę. Dziś, w erze ChatGPT, Midjourney i autonomicznych pojazdów, znajomość sieci neuronowych i generatywnej sztucznej inteligencji stała się kluczową kompetencją, którą powinien posiadać każdy programista i data scientist. Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III to kompleksowy, praktyczny przewodnik po uczeniu głębokim od podstaw matematycznych po najnowsze architektury transformerów i modele dyfuzyjne. Napisany przez twórcę biblioteki Keras, Francois Cholleta, jest uznawany za jedno z najlepszych wprowadzeń do tej dziedziny na rynku.

Książka prowadzi czytelnika przez cały ekosystem uczenia głębokiego: od tensorów i propagacji wstecznej, przez sieci konwolucyjne do klasyfikacji obrazów i segmentacji, rekurencyjne sieci neuronowe do prognozowania szeregów czasowych, aż po zaawansowane modele językowe i generowanie obrazów. Trzecie wydanie zostało niemal całkowicie zmienione zawiera nowe rozdziały poświęcone architekturze transformera, budowie własnego miniaturowego modelu GPT, dostrajaniu dużych modeli językowych techniką LoRA, a także generowaniu obrazów z użyciem modeli dyfuzyjnych i Stable Diffusion. Każdy rozdział uzupełniają gotowe do uruchomienia przykłady kodu w Pythonie z użyciem bibliotek: Keras, PyTorch, TensorFlow i JAX.

  • Matematyczne podstawy sieci neuronowych: tensory, gradienty, spadek gradientu
  • Sieci konwolucyjne (CNN) do klasyfikacji, segmentacji i wykrywania obiektów
  • Rekurencyjne sieci neuronowe (LSTM, GRU) do prognozowania szeregów czasowych
  • Architektura transformera i mechanizm uwagi od tłumaczenia maszynowego po ChatGPT
  • Trenowanie miniaturowego modelu GPT i dostrajanie dużych modeli językowych (LoRA, RLHF)
  • Generowanie obrazów: autoenkodery wariacyjne (VAE) i modele dyfuzyjne (Stable Diffusion)
  • Najlepsze praktyki: dostrajanie hiperparametrów, trenowanie rozproszone, mieszana precyzja

Francois Chollet twórca biblioteki Keras i współzałożyciel laboratorium badawczego Ndea. Od 2012 roku pracuje nad uczeniem głębokim, przez wiele lat jako badacz w Google. Autor wyzwania ARC-AGI do pomiaru inteligencji maszyn i założyciel ARC Prize Foundation.

Matthew Watson inżynier w Google, pracuje nad modelem Gemini i ekosystemem uczenia głębokiego open source. Główny opiekun biblioteki Keras, specjalizuje się w narzędziach NLP. Absolwent Uniwersytetu Stanforda.

Doskonała pozycja dla wszystkich, którzy lubią się uczyć przez praktykę i chcą się uczyć od najlepszych w branży.

Anthony Goldbloom, założyciel Kaggle

Inteligentny, praktyczny przewodnik, uczący, jak myśleć od pierwszej zasady do budowania modeli, które naprawdę działają.

Santiago Valdarrama, założyciel ml.school

Obecnie nie ma bardziej aktualnego i wyczerpującego przewodnika.

Aran Komatsuzaki, EleutherAI

Naucz się uczenia głębokiego od twórcy Keras warstwa po warstwie

Wybrane bestsellery

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy to trzecie wydanie jest mocno zaktualizowane względem poprzednich?
Tak -- wydanie III zostało niemal całkowicie przebudowane i rozszerzone m.in. o transformery, budowę miniaturowego GPT, dostrajanie LLM (LoRA, RLHF) oraz generowanie obrazów (modele dyfuzyjne, Stable Diffusion), a także nowe praktyki treningu na większą skalę.
2. Jakich bibliotek i frameworków używa się w przykładach w książce?
Kod jest w Pythonie, a przykłady obejmują Keras oraz popularne ekosystemy: TensorFlow, PyTorch i JAX -- dzięki temu możesz przenosić wiedzę między narzędziami.
3. Czy książka jest praktyczna i zawiera gotowe przykłady do uruchomienia?
Tak -- rozdziały są oparte o konkretne projekty (np. klasyfikacja, regresja, CNN do obrazów, RNN do szeregów czasowych, NLP i LLM) i zawierają gotowe fragmenty kodu oraz kompletne workflow: przygotowanie danych, trening, walidację i wnioskowanie.
4. Czy znajdę tu solidne podstawy matematyczne (tensory, gradienty, backprop)?
Tak -- wczesne rozdziały prowadzą przez tensory, operacje na tensorach, pochodne, spadek gradientu i propagację wsteczną, a potem pokazują, jak te pojęcia przekładają się na implementacje.
5. Czy książka omawia transformery i tematy ,,wokół ChatGPT" w sposób praktyczny?
Tak -- oprócz wyjaśnienia mechanizmu uwagi i architektury transformera znajdziesz rozdziały o modelach językowych, trenowaniu miniGPT, użyciu gotowych LLM, LoRA, RLHF oraz RAG.
6. Czy ta pozycja pomoże mi w projektach computer vision (klasyfikacja, segmentacja, detekcja)?
Tak -- obejmuje CNN, wzorce architektur (m.in. połączenia rezydualne), segmentację obrazu (w tym pracę z SAM) oraz wykrywanie obiektów (m.in. YOLO i RetinaNet).
7. Czy omówione są dobre praktyki trenowania i przyspieszania modeli (GPU, mixed precision, skalowanie)?
Tak -- osobny rozdział zawiera sprawdzone praktyki: optymalizację hiperparametrów, trenowanie na wielu GPU/TPU, trening rozproszony oraz techniki przyspieszania typu mixed precision, float8 i kwantyzacja.
8. Jak najlepiej czytać tę książkę, jeśli chcę szybko zacząć budować modele, a nie tylko teorię?
Najszybciej: rozdz. 1-4 (podstawy + pierwsze modele), potem wybierz ścieżkę pod zadanie (obrazy: 8-12, szeregi czasowe: 13, NLP/LLM: 14-16, generowanie obrazów: 17), a na końcu wróć do rozdz. 5-7 i 18, żeby uporządkować generalizację, workflow i praktyki treningu.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Książka
119,20 zł
Dodaj do koszyka
Ebook
111,75 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile