Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III François Chollet, Matthew Watson
- Autorzy:
- François Chollet, Matthew Watson
- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- Stron:
- 664
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis
książki
:
Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III
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
Dzięki 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@ebookpoint.pl
Książka drukowana

Oceny i opinie klientów: Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III François Chollet, Matthew Watson
(0)