Descripción
Optimice, desarrolle y diseñe modelos PyTorch y TensorFlow para un problema específico utilizando el kit de herramientas Microsoft Neural Network Intelligence (NNI). Este libro incluye ejemplos prácticos que ilustran enfoques automatizados de aprendizaje profundo y proporciona técnicas para facilitar el desarrollo de su modelo de aprendizaje profundo.
Los primeros capítulos de este libro cubren los conceptos básicos del uso del kit de herramientas NNI y los métodos para resolver tareas de optimización de hiperparámetros. Comprenderá el problema de maximización de la función de caja negra utilizando NNI, y sabrá cómo preparar un modelo TensorFlow o PyTorch para el ajuste de hiperparámetros, lanzar un experimento e interpretar los resultados. El libro profundiza en los sintonizadores de optimización y los algoritmos de búsqueda en los que se basan: búsqueda por evolución, búsqueda por recocido y el enfoque de optimización bayesiana. Se cubre la búsqueda de arquitectura neuronal y aprenderá cómo desarrollar modelos de aprendizaje profundo desde cero. Se presentan enfoques de búsqueda de prueba múltiple y de una sola vez del diseño automático de redes neuronales. El libro le enseña cómo construir un espacio de búsqueda y lanzar una búsqueda de arquitectura utilizando las últimas estrategias de exploración de última generación: Búsqueda de Arquitectura Neuronal Eficiente (ENAS) y Búsqueda Arquitectónica Diferencial (DARTS). Aprenderá cómo automatizar la construcción de una arquitectura de red neuronal para un problema y un conjunto de datos en particular. El libro se centra en la compresión de modelos y los métodos de ingeniería de características que son esenciales en el aprendizaje profundo automatizado. También incluye técnicas de rendimiento que permiten la creación de plataformas de entrenamiento distributivo a gran escala utilizando NNI. Después de leer este libro, sabrá cómo utilizar el conjunto completo de herramientas de métodos de aprendizaje profundo automatizados. Las técnicas y ejemplos prácticos presentados en este libro le permitirán llevar sus rutinas de redes neuronales a un nivel superior.Lo que aprenderá
- Conocer los conceptos básicos de los sintonizadores de optimización, el espacio de búsqueda y las pruebas
- Aplicar diferentes algoritmos de optimización de hiperparámetros para desarrollar redes neuronales efectivas
- Construir nuevos modelos de aprendizaje profundo desde cero
- Ejecutar la búsqueda automatizada de arquitectura neuronal para crear modelos de aprendizaje profundo de última generación
- Comprimir el modelo para eliminar capas de aprendizaje profundo innecesarias
Para quién es este libro
Científicos de datos intermedios a avanzados e ingenieros de aprendizaje automático involucrados en el aprendizaje profundo y el desarrollo práctico de redes neuronales
Autor: Ivan Gridin
Editorial: Apress
Publicado: 21/06/2022
Páginas: 384
Tipo de encuadernación: Tapa blanda
Peso: 1.54lbs
Tamaño: 10.00h x 7.00w x 0.83d
ISBN13: 9781484281482
ISBN10: 1484281489
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python
Sobre el autor
Ivan Gridin es un experto en aprendizaje automático de Moscú que ha trabajado en sistemas de alta carga distributivos y ha implementado diferentes enfoques de aprendizaje automático en la práctica. Una de las áreas principales de su investigación es el diseño y análisis de modelos predictivos de series temporales. Ivan tiene habilidades matemáticas fundamentales en teoría de la probabilidad, teoría de procesos aleatorios, análisis de series temporales, aprendizaje automático, aprendizaje profundo y optimización. Ha publicado libros sobre algoritmos genéticos y análisis de series temporales.