دانلود کتاب Deep Learning for Coders With Fastai and Pytorch: Ai Applications Without a Phd – یادگیری عمیق برای کدنویسان با Fastai و Pytorch: برنامه های کاربردی Ai بدون مدرک دکترا

Deep learning is often viewed as the exclusive domain of math PhDs and big tech companies. But as this hands-on guide demonstrates, programmers comfortable with Python can achieve impressive results in deep learning with little math background, small amounts of data, and minimal code. How? With fastai, the first library to provide a consistent interface to the most frequently used deep learning applications.

Authors Jeremy Howard and Sylvain Gugger show you how to train a model on a wide range of tasks using fastai and PyTorch. You&;ll also dive progressively further into deep learning theory to gain a complete understanding of the algorithms behind the scenes.

• Train models in computer vision, natural language processing, tabular data, and collaborative filtering
• Learn the latest deep learning techniques that matter most in practice
• Improve accuracy, speed, and reliability by understanding how deep learning models work
• Discover how to turn your models into web applications
• Implement deep learning algorithms from scratch
• Consider the ethical implications of your work

یادگیری عمیق اغلب به عنوان حوزه انحصاری دکترای ریاضی و شرکت های بزرگ فناوری در نظر گرفته می شود. اما همانطور که این راهنمای عملی نشان می‌دهد، برنامه‌نویسانی که با پایتون راحت هستند، می‌توانند با پیش‌زمینه ریاضی کم، مقادیر کم داده و حداقل کد به نتایج چشمگیری در یادگیری عمیق دست یابند. چگونه؟ با fastai، اولین کتابخانه ای که یک رابط ثابت برای برنامه های کاربردی یادگیری عمیق ارائه می دهد.

نویسندگان جرمی هوارد و سیلوین گوگر به شما نشان می دهند که چگونه با استفاده از fastai و PyTorch یک مدل را در طیف وسیعی از وظایف آموزش دهید. . همچنین به تدریج در تئوری یادگیری عمیق فرو خواهید رفت تا به درک کاملی از الگوریتم های پشت صحنه دست یابید.

• مدل های آموزشی در بینایی کامپیوتری، پردازش زبان طبیعی، داده های جدولی و فیلترهای مشارکتی را آموزش دهید.
• آخرین تکنیک های یادگیری عمیق را که در عمل بیشترین اهمیت را دارند بیاموزید
• با درک نحوه عملکرد مدل های یادگیری عمیق، دقت، سرعت و قابلیت اطمینان را بهبود ببخشید
• کشف نحوه تبدیل مدل های خود را در برنامه های وب
• الگوریتم های یادگیری عمیق را از ابتدا پیاده سازی کنید
• پیامدهای اخلاقی کار خود را در نظر بگیرید