Descripción
Aprende a usar PyTorch para construir modelos de redes neuronales usando fragmentos de código actualizados para esta segunda edición. Este libro incluye nuevos capítulos que cubren temas como el modelado distribuido de PyTorch, la implementación de modelos PyTorch en producción y los desarrollos alrededor de PyTorch con código actualizado.
Comenzarás aprendiendo a usar tensores para desarrollar y ajustar modelos de redes neuronales e implementar modelos de aprendizaje profundo como LSTMs y RNNs. A continuación, explorarás conceptos de distribución de probabilidad usando PyTorch, así como algoritmos supervisados y no supervisados con PyTorch. Esto es seguido por una inmersión profunda en la construcción de modelos con redes neuronales convolucionales, redes neuronales profundas y redes neuronales recurrentes usando PyTorch. Esta nueva edición también cubre temas como Scorch, un módulo compatible equivalente a la biblioteca de aprendizaje automático Scikit, la cuantificación de modelos para reducir el tamaño de los parámetros y la preparación de un modelo para su implementación dentro de un sistema de producción. También se cubren en detalle el procesamiento paralelo distribuido para equilibrar las cargas de trabajo de PyTorch, el uso de PyTorch para el procesamiento de imágenes, el análisis de audio y la interpretación de modelos. Cada capítulo incluye fragmentos de código de recetas para realizar actividades específicas.
Al final de este libro, serás capaz de construir con confianza modelos de redes neuronales usando PyTorch.
Lo que aprenderás
Para quién es este libroIngenieros de aprendizaje automático, científicos de datos y programadores de Python y desarrolladores de software interesados en aprender el framework PyTorch.
Autor: Pradeepta Mishra
Editorial: Apress
Publicado: 12/08/2022
Páginas: 266
Tipo de encuadernación: Tapa blanda
Peso: 1.12lbs
Tamaño: 10.00h x 7.00w x 0.61d
ISBN13: 9781484289242
ISBN10: 1484289242
Categorías BISAC:
- Informática | Lenguajes | Python
- Informática | Administración y gestión de bases de datos
- Empresa y Economía | Industrias | Computadoras y Tecnología de la Información
Comenzarás aprendiendo a usar tensores para desarrollar y ajustar modelos de redes neuronales e implementar modelos de aprendizaje profundo como LSTMs y RNNs. A continuación, explorarás conceptos de distribución de probabilidad usando PyTorch, así como algoritmos supervisados y no supervisados con PyTorch. Esto es seguido por una inmersión profunda en la construcción de modelos con redes neuronales convolucionales, redes neuronales profundas y redes neuronales recurrentes usando PyTorch. Esta nueva edición también cubre temas como Scorch, un módulo compatible equivalente a la biblioteca de aprendizaje automático Scikit, la cuantificación de modelos para reducir el tamaño de los parámetros y la preparación de un modelo para su implementación dentro de un sistema de producción. También se cubren en detalle el procesamiento paralelo distribuido para equilibrar las cargas de trabajo de PyTorch, el uso de PyTorch para el procesamiento de imágenes, el análisis de audio y la interpretación de modelos. Cada capítulo incluye fragmentos de código de recetas para realizar actividades específicas.
Al final de este libro, serás capaz de construir con confianza modelos de redes neuronales usando PyTorch.
Lo que aprenderás
- Utilizar nuevos fragmentos de código y modelos para entrenar modelos de aprendizaje automático usando PyTorch
- Entrenar modelos de aprendizaje profundo con implementaciones más inteligentes y en menor cantidad
- Explorar el marco PyTorch para la explicabilidad del modelo y para aportar transparencia a la interpretación del modelo
- Construir, entrenar e implementar modelos de redes neuronales diseñados para escalar con PyTorch
- Comprender las mejores prácticas para evaluar y ajustar modelos usando PyTorch
- Usar funciones avanzadas de torch en el entrenamiento de redes neuronales profundas
- Explorar varios modelos de redes neuronales usando PyTorch
- Descubrir funciones compatibles con modelos compatibles con sci-kit learn
- Realizar entrenamiento y ejecución distribuidos de PyTorch
Para quién es este libroIngenieros de aprendizaje automático, científicos de datos y programadores de Python y desarrolladores de software interesados en aprender el framework PyTorch.
Autor: Pradeepta Mishra
Editorial: Apress
Publicado: 12/08/2022
Páginas: 266
Tipo de encuadernación: Tapa blanda
Peso: 1.12lbs
Tamaño: 10.00h x 7.00w x 0.61d
ISBN13: 9781484289242
ISBN10: 1484289242
Categorías BISAC:
- Informática | Lenguajes | Python
- Informática | Administración y gestión de bases de datos
- Empresa y Economía | Industrias | Computadoras y Tecnología de la Información
Sobre el autor
Pradeepta Mishra es el Director de IA de Fosfor en L&T Infotech (LTI), liderando un gran grupo de científicos de datos, expertos en lingüística computacional, expertos en Machine Learning y Deep Learning en la construcción del producto de próxima generación, 'Leni', el primer científico de datos virtual del mundo. Tiene experiencia en las ramas centrales de la Inteligencia Artificial, incluyendo pipelines autónomos de ML y Deep Learning, ML Ops, Procesamiento de Imágenes, Análisis de Audio, Procesamiento del Lenguaje Natural (PLN), Generación del Lenguaje Natural (GLN), diseño e implementación de sistemas expertos y asistentes digitales personales. En 2019 y 2020, fue nombrado uno de los "40 científicos de datos menores de 40 años" de la India por la revista Analytics India. Dos de sus libros han sido traducidos al chino y al español por demanda popular.
Ofreció una sesión magistral en la conferencia Global Data Science 2018, EE. UU. Ha impartido una charla TEDx sobre "¿Pueden las máquinas pensar?", disponible en el canal oficial de TEDx en YouTube. Ha sido mentor de más de 2000 científicos de datos a nivel mundial. Ha impartido más de 200 charlas técnicas sobre ciencia de datos, ML, DL, PLN e IA en varias universidades, reuniones, instituciones técnicas y foros comunitarios. Es profesor visitante en más de 10 universidades, donde enseña deep learning y machine learning a profesionales, y los asesora para que sigan una carrera gratificante en Inteligencia Artificial.