إتقان الجوانب العملية لتنفيذ حلول التعلم العميق مع PyTorch ، باستخدام نهج عملي لفهم كل من النظرية والتطبيق. ستعدك هذه النسخة المحدثة لتطبيق التعلم العميق على مشاكل العالم الحقيقي من خلال أساس نظري سليم ومعرفة عملية باستخدام PyTorch ، وهي منصة طورتها مجموعة أبحاث الذكاء الاصطناعي في Facebook.
ستبدأ بمنظور حول كيف ولماذا ظهر التعلم العميق باستخدام PyTorch كإطار عمل رائد مع مجموعة من الأدوات والتقنيات لحل مشاكل العالم الحقيقي. بعد ذلك ، سيقوم الكتاب بتزويدك بالأساسيات الرياضية للجبر الخطي وحساب التفاضل والتكامل والاحتمالات والتحسين. بعد إنشاء هذا الأساس ، ستنتقل إلى المكونات والوظائف الرئيسية لـ PyTorch بما في ذلك الطبقات ووظائف الخسارة وخوارزميات التحسين.
ستحصل أيضًا على فهم للحساب المستند إلى وحدة المعالجة الرسومية (GPU) ، وهو أمر ضروري لتدريب نماذج التعلم العميق. يتم تغطية جميع البنى الأساسية في التعلم العميق ، بما في ذلك شبكات التغذية الأمامية ، والشبكات العصبية الالتفافية ، والشبكات العصبية المتكررة ، وشبكات الذاكرة طويلة المدى ، والمشفرات التلقائية ، وشبكات الخصومة التوليدية. مدعومًا بعدد من الحيل التجارية للتدريب وتحسين نماذج التعلم العميق ، يشرح هذا الإصدار من التعلم العميق مع Python أفضل الممارسات في نقل هذه النماذج إلى الإنتاج باستخدام PyTorch.
ماذا ستتعلم
راجع أساسيات التعلم الآلي مثل التجهيز الزائد ، والتركيب غير المناسب ، والتسوية.
فهم أساسيات التعلم العميق مثل شبكات التغذية الأمامية والشبكات العصبية الالتفافية والشبكات العصبية المتكررة والتمايز التلقائي والانحدار العشوائي.
تطبيق الجبر الخطي المتعمق باستخدام PyTorch
اكتشف أساسيات PyTorch ولبنات بنائها
العمل مع ضبط النماذج وتحسينها
لمن هذا الكتاب
المبتدئين الذين لديهم معرفة عملية ببايثون والذين يرغبون في فهم التعلم العميق بطريقة عملية وتطبيقية.
English | 2021 | ISBN-13 : 978-1484253632 | 323 Pages | True (PDF, EPUB) | 12.09 MB
Master the practical aspects of implementing deep learning solutions with PyTorch, using a hands-on approach to understanding both theory and practice. This updated edition will prepare you for applying deep learning to real world problems with a sound theoretical foundation and practical know-how with PyTorch, a platform developed by Facebook’s Artificial Intelligence Research Group.
You'll start with a perspective on how and why deep learning with PyTorch has emerged as an path-breaking framework with a set of tools and techniques to solve real-world problems. Next, the book will ground you with the mathematical fundamentals of linear algebra, vector calculus, probability and optimization. Having established this foundation, you'll move on to key components and functionality of PyTorch including layers, loss functions and optimization algorithms.
You'll also gain an understanding of Graphical Processing Unit (GPU) based computation, which is essential for training deep learning models. All the key architectures in deep learning are covered, including feedforward networks, convolution neural networks, recurrent neural networks, long short-term memory networks, autoencoders and generative adversarial networks. Backed by a number of tricks of the trade for training and optimizing deep learning models, this edition of Deep Learning with Python explains the best practices in taking these models to production with PyTorch.
What You'll Learn
Review machine learning fundamentals such as overfitting, underfitting, and regularization.
Understand deep learning fundamentals such as feed-forward networks, convolution neural networks, recurrent neural networks, automatic differentiation, and stochastic gradient descent.
Apply in-depth linear algebra with PyTorch
Explore PyTorch fundamentals and its building blocks
Work with tuning and optimizing models
Who This Book Is For
Beginners with a working knowledge of Python who want to understand Deep Learning in a practical, hands-on manner.
تحميل مجاني
للحصول على كل جديد الرجاء الاشتراك بالقناة على تلجرام
اكتشاف المزيد من سوق المصمم
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
