Deep learning dla programistów

• Verfasst von: Howard, Jeremy [VerfasserIn]
• Verfasst von: Gugger, Sylvain [VerfasserIn]
• Titel: Deep learning dla programistów
• Titelzusatz: budowanie aplikacji AI za pomocą fastai i PyTorch
• Mitwirkende: Janusz, Jacek [ÜbersetzerIn]
• Werktitel: Deep learning for coders with fastai and PyTorch
• Verf.angabe: Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz
• Ausgabe: [First edition].
• Verlagsort: Gliwice
• Verlag: Helion
• E-Jahr: 2021
• Jahr: [2021]
• Umfang: 1 online resource (544 pages)
• Illustrationen: illustrations
• Fussnoten: Includes index
• ISBN: 978-83-283-7510-9
• ISBN: 83-283-7510-9
• Datenträger: Online-Ressource
• Sprache: pol
• K10plus-PPN: 1850983194
• K10plus-PPN:
  Universitätsbibliothek
• Lokale URL UB: Zum Volltext
• Lokale URL UB: Bibliothek der Medizinischen Fakultät Mannheim der Universität Heidelberg
• Bibliothek/Idn: UW / m4343641848
• Lokale URL Inst.: Zum Volltext

Abstract

Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką̜ wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia g̜łębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach.