Apprentissage Profond avec Python, Troisième Édition - François Chollet et Matthew Watson

Le livre commence par expliquer ce qui rend l'apprentissage profond une approche transformative en intelligence artificielle. Il met en évidence comment l'apprentissage profond automatise l'ingénierie des caractéristiques, évolue efficacement avec le matériel et permet la création de modèles polyvalents et réutilisables qui peuvent être adaptés à diverses tâches. Les lecteurs apprendront l'impact des modèles de base, qui sont entraînés sur de vastes ensembles de données en utilisant l'auto-supervision et peuvent être ajustés pour un large éventail de tâches en aval, réduisant ainsi le besoin de modèles spécifiques à une tâche.

Une partie importante du livre est consacrée au flux de travail universel pour résoudre les problèmes d'apprentissage automatique. Ce flux de travail implique de définir la tâche, de développer un modèle et de le déployer en production tout en surveillant et en améliorant continuellement ses performances. Les auteurs fournissent des idées sur la manière de formuler des problèmes du monde réel en tant que tâches d'apprentissage automatique en comprenant le contexte commercial, en identifiant les données disponibles et en cartographiant le problème à des tâches d'apprentissage automatique appropriées telles que la classification, la régression ou le classement.

Le livre couvre également les meilleures pratiques pour concevoir des architectures de réseaux de neurones convolutionnels, y compris l'utilisation de connexions résiduelles, de normalisation par lot et de convolutions séparables en profondeur. De plus, il discute de la manière dont les Vision Transformers diffèrent des réseaux convolutionnels traditionnels en vision par ordinateur, en soulignant leur capacité à traiter des images comme des séquences de patches et à capturer des dépendances à long terme.

Des modèles modernes de détection d'objets comme YOLO et RetinaNet sont explorés, expliquant comment ils prédisent des boîtes englobantes et des probabilités de classe en une seule étape pour une détection d'objets rapide et précise. Les auteurs approfondissent également les techniques d'apprentissage profond pour la prévision de séries temporelles et comment l'architecture Transformer améliore la modélisation avancée du langage grâce à des mécanismes d'attention. Enfin, des stratégies pour générer un texte cohérent avec des modèles de langage et des méthodes pour évoluer l'entraînement de l'apprentissage profond pour de grands modèles et ensembles de données sont discutées, faisant de ce livre une ressource vitale pour quiconque s'intéresse au domaine de l'apprentissage profond.