Глубокое обучение с Python, третье издание - Франсуа Шолле и Мэтью Уотсон

Книга начинается с объяснения того, что делает глубокое обучение трансформирующим подходом в искусственном интеллекте. В ней подчеркивается, как глубокое обучение автоматизирует инженерное проектирование признаков, эффективно масштабируется с аппаратным обеспечением и позволяет создавать универсальные, многоразовые модели, которые могут быть адаптированы к различным задачам. Читатели узнают о влиянии фундаментальных моделей, которые обучаются на обширных наборах данных с использованием самонаблюдения и могут быть дообучены для широкого спектра последующих задач, тем самым уменьшая необходимость в моделях, специфичных для задач.

Значительная часть книги посвящена универсальному рабочему процессу для решения задач машинного обучения. Этот рабочий процесс включает в себя определение задачи, разработку модели и её развертывание в производственной среде с постоянным мониторингом и улучшением её производительности. Авторы предоставляют идеи о том, как формулировать реальные проблемы как задачи машинного обучения, понимая бизнес-контекст, определяя доступные данные и сопоставляя проблему с подходящими задачами машинного обучения, такими как классификация, регрессия или ранжирование.

Книга также охватывает лучшие практики проектирования архитектур сверточных нейронных сетей, включая использование остаточных соединений, нормализацию по батчам и глубинно-разделимые свертки. Кроме того, обсуждается, как Vision Transformers отличаются от традиционных сверточных сетей в компьютерном зрении, подчеркивая их способность обрабатывать изображения как последовательности патчей и захватывать дальнодействующие зависимости.

Современные модели обнаружения объектов, такие как YOLO и RetinaNet, исследуются, объясняя, как они предсказывают ограничивающие рамки и вероятности классов за один шаг для быстрой и точной детекции объектов. Авторы также углубляются в техники глубокого обучения для прогнозирования временных рядов и то, как архитектура Transformer улучшает продвинутое языковое моделирование через механизмы внимания. Наконец, обсуждаются стратегии генерации связного текста с помощью языковых моделей и методы масштабирования обучения глубокому обучению для крупных моделей и наборов данных, что делает эту книгу жизненно важным ресурсом для всех, кто интересуется областью глубокого обучения.