Deep Learning com Python, Terceira Edição - François Chollet e Matthew Watson

O livro começa explicando o que torna o deep learning uma abordagem transformadora em inteligência artificial. Ele destaca como o deep learning automatiza a engenharia de características, escala de forma eficiente com hardware e possibilita a criação de modelos versáteis e reutilizáveis que podem ser adaptados a várias tarefas. Os leitores aprenderão sobre o impacto dos modelos fundacionais, que são treinados em grandes conjuntos de dados usando auto-supervisão e podem ser ajustados para uma ampla gama de tarefas subsequentes, reduzindo assim a necessidade de modelos específicos para cada tarefa.

Uma parte significativa do livro é dedicada ao fluxo de trabalho universal para resolver problemas de aprendizado de máquina. Esse fluxo de trabalho envolve definir a tarefa, desenvolver um modelo e implantá-lo em produção, enquanto monitora e melhora continuamente seu desempenho. Os autores fornecem insights sobre como enquadrar problemas do mundo real como tarefas de aprendizado de máquina, entendendo o contexto empresarial, identificando os dados disponíveis e mapeando o problema para tarefas de aprendizado de máquina adequadas, como classificação, regressão ou ranqueamento.

O livro também aborda as melhores práticas para projetar arquiteturas de redes neurais convolucionais, incluindo o uso de conexões residuais, normalização em lote e convoluções separáveis em profundidade. Além disso, discute como os Transformers de Visão diferem das redes convolucionais tradicionais em visão computacional, enfatizando sua capacidade de processar imagens como sequências de partes e capturar dependências de longo alcance.

Modelos modernos de detecção de objetos, como YOLO e RetinaNet, são explorados, explicando como eles preveem caixas delimitadoras e probabilidades de classe em um único passo para detecção de objetos rápida e precisa. Os autores também se aprofundam em técnicas de deep learning para previsão de séries temporais e como a arquitetura Transformer aprimora a modelagem avançada de linguagem por meio de mecanismos de atenção. Finalmente, estratégias para gerar texto coerente com modelos de linguagem e métodos para escalar o treinamento de deep learning para grandes modelos e conjuntos de dados são discutidos, tornando este livro um recurso vital para qualquer pessoa interessada no campo do deep learning.