Descripción
"Finalmente tenemos el tratado definitivo sobre PyTorch. Cubre los conceptos básicos y las abstracciones con gran detalle. Espero que este libro se convierta en su documento de referencia extendido." --Soumith Chintala, cocreador de PyTorch Características clave
Escrito por el creador de PyTorch y colaboradores clave
Desarrolle modelos de aprendizaje profundo de una manera familiarmente "pitónica"
Utilice PyTorch para construir un clasificador de imágenes para la detección de cáncer
Diagnostique problemas con su red neuronal y mejore el entrenamiento con aumento de datos La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Sobre el libro
Cada dos días oímos hablar de nuevas formas de aprovechar el aprendizaje profundo: mejora de imágenes médicas, detección precisa de fraudes con tarjetas de crédito, pronóstico meteorológico a largo plazo y mucho más. PyTorch pone estos superpoderes en sus manos. Instantáneamente familiar para cualquiera que conozca herramientas de datos de Python como NumPy y Scikit-learn, PyTorch simplifica el aprendizaje profundo sin sacrificar funciones avanzadas. Es ideal para construir modelos rápidos y escala sin problemas desde una computadora portátil hasta una empresa. Deep Learning con PyTorch le enseña a crear sistemas de aprendizaje profundo y redes neuronales con PyTorch. Este libro práctico le permite trabajar de inmediato construyendo un clasificador de imágenes de tumores desde cero. Después de cubrir los conceptos básicos, aprenderá las mejores prácticas para toda la tubería de aprendizaje profundo, abordando proyectos avanzados a medida que sus habilidades con PyTorch se vuelvan más sofisticadas. Todas las muestras de código son fáciles de explorar en cuadernos Jupyter descargables. Lo que aprenderá
Para programadores de Python interesados en el aprendizaje automático. No se requiere experiencia con PyTorch u otros frameworks de aprendizaje profundo. Sobre los autores
Eli Stevens ha trabajado en Silicon Valley durante los últimos 15 años como ingeniero de software, y los últimos 7 años como director técnico de una startup que fabrica software para dispositivos médicos. Luca Antiga es cofundador y CEO de una empresa de ingeniería de IA ubicada en Bérgamo, Italia, y un colaborador habitual de PyTorch. Thomas Viehmann es un formador y consultor especializado en aprendizaje automático y PyTorch con sede en Múnich, Alemania, y un desarrollador principal de PyTorch. Tabla de contenido PARTE 1 - PYTORCH CENTRAL
1 Introducción al aprendizaje profundo y la biblioteca PyTorch
2 Redes preentrenadas
3 Todo comienza con un tensor
4 Representación de datos del mundo real usando tensores
5 La mecánica del aprendizaje
6 Uso de una red neuronal para ajustar los datos
7 Distinguir pájaros de aviones: Aprendiendo de las imágenes
8 Uso de convoluciones para generalizar PARTE 2 - APRENDER DE LAS IMÁGENES EN EL MUNDO REAL: DETECCIÓN TEMPRANA DEL CÁNCER DE PULMÓN
9 Uso de PyTorch para combatir el cáncer
10 Combinación de fuentes de datos en un conjunto de datos unificado
11 Entrenamiento de un modelo de clasificación para detectar tumores sospechosos
12 Mejora del entrenamiento con métricas y aumento
13 Uso de la segmentación para encontrar nódulos sospechosos
14 Análisis de nódulos de principio a fin y hacia dónde ir a continuación PARTE 3 - IMPLEMENTACIÓN
15 Implementación en producción
Autor: Eli Stevens, Luca Antiga, Thomas Viehmann
Editorial: Manning Publications
Publicado: 04/08/2020
Páginas: 520
Tipo de encuadernación: Tapa blanda
Peso: 1.90 libras
Tamaño: 9.20h x 7.30w x 1.10d
ISBN13: 9781617295263
ISBN10: 1617295264
Categorías BISAC:
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Programación | Algoritmos
- Informática | Lenguajes | Python
Escrito por el creador de PyTorch y colaboradores clave
Desarrolle modelos de aprendizaje profundo de una manera familiarmente "pitónica"
Utilice PyTorch para construir un clasificador de imágenes para la detección de cáncer
Diagnostique problemas con su red neuronal y mejore el entrenamiento con aumento de datos La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications. Sobre el libro
Cada dos días oímos hablar de nuevas formas de aprovechar el aprendizaje profundo: mejora de imágenes médicas, detección precisa de fraudes con tarjetas de crédito, pronóstico meteorológico a largo plazo y mucho más. PyTorch pone estos superpoderes en sus manos. Instantáneamente familiar para cualquiera que conozca herramientas de datos de Python como NumPy y Scikit-learn, PyTorch simplifica el aprendizaje profundo sin sacrificar funciones avanzadas. Es ideal para construir modelos rápidos y escala sin problemas desde una computadora portátil hasta una empresa. Deep Learning con PyTorch le enseña a crear sistemas de aprendizaje profundo y redes neuronales con PyTorch. Este libro práctico le permite trabajar de inmediato construyendo un clasificador de imágenes de tumores desde cero. Después de cubrir los conceptos básicos, aprenderá las mejores prácticas para toda la tubería de aprendizaje profundo, abordando proyectos avanzados a medida que sus habilidades con PyTorch se vuelvan más sofisticadas. Todas las muestras de código son fáciles de explorar en cuadernos Jupyter descargables. Lo que aprenderá
- Comprender las estructuras de datos de aprendizaje profundo como tensores y redes neuronales Mejores prácticas para la API de PyTorch Tensor, carga de datos en Python y visualización de resultados Implementación de módulos y funciones de pérdida Utilización de modelos preentrenados de PyTorch Hub Métodos para entrenar redes con entradas limitadas Analizar resultados poco fiables para diagnosticar y corregir problemas en su red neuronal Mejore sus resultados con datos aumentados, una mejor arquitectura de modelo y un ajuste fino
Para programadores de Python interesados en el aprendizaje automático. No se requiere experiencia con PyTorch u otros frameworks de aprendizaje profundo. Sobre los autores
Eli Stevens ha trabajado en Silicon Valley durante los últimos 15 años como ingeniero de software, y los últimos 7 años como director técnico de una startup que fabrica software para dispositivos médicos. Luca Antiga es cofundador y CEO de una empresa de ingeniería de IA ubicada en Bérgamo, Italia, y un colaborador habitual de PyTorch. Thomas Viehmann es un formador y consultor especializado en aprendizaje automático y PyTorch con sede en Múnich, Alemania, y un desarrollador principal de PyTorch. Tabla de contenido PARTE 1 - PYTORCH CENTRAL
1 Introducción al aprendizaje profundo y la biblioteca PyTorch
2 Redes preentrenadas
3 Todo comienza con un tensor
4 Representación de datos del mundo real usando tensores
5 La mecánica del aprendizaje
6 Uso de una red neuronal para ajustar los datos
7 Distinguir pájaros de aviones: Aprendiendo de las imágenes
8 Uso de convoluciones para generalizar PARTE 2 - APRENDER DE LAS IMÁGENES EN EL MUNDO REAL: DETECCIÓN TEMPRANA DEL CÁNCER DE PULMÓN
9 Uso de PyTorch para combatir el cáncer
10 Combinación de fuentes de datos en un conjunto de datos unificado
11 Entrenamiento de un modelo de clasificación para detectar tumores sospechosos
12 Mejora del entrenamiento con métricas y aumento
13 Uso de la segmentación para encontrar nódulos sospechosos
14 Análisis de nódulos de principio a fin y hacia dónde ir a continuación PARTE 3 - IMPLEMENTACIÓN
15 Implementación en producción
Autor: Eli Stevens, Luca Antiga, Thomas Viehmann
Editorial: Manning Publications
Publicado: 04/08/2020
Páginas: 520
Tipo de encuadernación: Tapa blanda
Peso: 1.90 libras
Tamaño: 9.20h x 7.30w x 1.10d
ISBN13: 9781617295263
ISBN10: 1617295264
Categorías BISAC:
- Informática | Ciencia de Datos | Redes Neuronales
- Informática | Programación | Algoritmos
- Informática | Lenguajes | Python
Sobre el autor
Eli Stevens ha trabajado en Silicon Valley durante los últimos 15 años como ingeniero de software, y los últimos 7 años como director técnico de una startup que fabrica software para dispositivos médicos.