Aprendizaje profundo con Pytorch: Build, Train, and Tune Neural Networks Using Python Tools (Construir, entrenar y ajustar redes neuronales con herramientas de Python)

Opiniones de los lectores

El libro ha sido ampliamente elogiado por su introducción completa y clara al aprendizaje profundo y PyTorch, que ofrece un equilibrio entre teoría y ejemplos prácticos de codificación. Sin embargo, es criticado por la mala calidad de impresión, la falta de algunos temas avanzados, y el estilo de escritura verboso que puede restar valor a la experiencia de aprendizaje.

Cobertura en profundidad de PyTorch y Deep Learning, ejemplos de código útiles, contenido bien organizado y atractivo para un público amplio, fuerte enfoque práctico, buena introducción para principiantes y excelentes recursos para implementar en producción.

Calidad de impresión y papel mediocre, falta de capítulos sobre temas avanzados como modelos de lenguaje y atención, cierta verborrea en las explicaciones y uso de la impresión en blanco y negro que resta valor a las ilustraciones.

(basado en 24 opiniones de lectores)

Título original:

Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools

Contenido del libro:

Cada dos días oímos hablar de nuevas formas de aprovechar el aprendizaje profundo: mejora de las imágenes médicas, detección precisa de fraudes con tarjetas de crédito, predicción meteorológica de largo alcance y mucho más. PyTorch pone estos superpoderes en tus manos, proporcionando una cómoda experiencia en Python que te ayuda a empezar rápidamente y luego crece contigo a medida que tú -y tus habilidades de aprendizaje profundo- os volvéis más sofisticados. Deep Learning with PyTorch hará que ese viaje sea atractivo y divertido.

Resumen.

Cada dos días oímos hablar de nuevas formas de hacer un buen uso del aprendizaje profundo: mejora de las imágenes médicas, detección precisa de fraudes con tarjetas de crédito, predicción meteorológica a largo plazo y mucho más. PyTorch pone estos superpoderes en tus manos, proporcionando una cómoda experiencia en Python que te ayuda a empezar rápidamente y luego crece contigo a medida que tú -y tus habilidades de aprendizaje profundo- se vuelven más sofisticadas. Deep Learning with PyTorch hará que ese viaje sea atractivo y divertido.

Prólogo de Soumith Chintala, cocreador de PyTorch.

La compra del libro impreso incluye un libro electrónico gratuito en formato PDF, Kindle y ePub de Manning Publications.

Acerca de la tecnología.

Aunque muchas herramientas de aprendizaje profundo utilizan Python, la biblioteca PyTorch es verdaderamente pitónica. Al instante familiar para cualquiera que conozca herramientas PyData como NumPy y scikit-learn, PyTorch simplifica el aprendizaje profundo sin sacrificar características avanzadas. Es excelente para crear modelos rápidos y se adapta sin problemas desde el portátil a la empresa. Dado que empresas como Apple, Facebook y JPMorgan Chase confían en PyTorch, es una gran habilidad para ampliar tus opciones profesionales. Es fácil empezar con PyTorch. Minimiza la sobrecarga cognitiva sin sacrificar el acceso a funciones avanzadas, lo que significa que puedes centrarte en lo que más importa: construir y entrenar los últimos y mejores modelos de aprendizaje profundo y contribuir a hacer mella en el mundo. PyTorch también es fácil de escalar y ampliar, y se asocia bien con otras herramientas de Python. PyTorch ha sido adoptado por cientos de profesionales del aprendizaje profundo y varios actores de primer nivel como FAIR, OpenAI, FastAI y Purdue.

Acerca del libro.

Deep Learning with PyTorch te enseña a crear redes neuronales y sistemas de aprendizaje profundo con PyTorch. Este práctico libro te pone rápidamente a trabajar construyendo un ejemplo del mundo real desde cero: un clasificador de imágenes de tumores. En el camino, cubre las mejores prácticas para todo el proceso de aprendizaje profundo, incluyendo la API Tensor de PyTorch, la carga de datos en Python, la monitorización del entrenamiento y la visualización de los resultados. Después de cubrir los conceptos básicos, el libro le llevará en un viaje a través de proyectos más grandes. La pieza central del libro es una red neuronal diseñada para la detección del cáncer. Descubrirá formas de entrenar redes con entradas limitadas y empezará a procesar datos para obtener algunos resultados. Pasará por el tamiz de los resultados iniciales poco fiables y se centrará en cómo diagnosticar y solucionar los problemas de su red neuronal. Por último, buscará formas de mejorar sus resultados entrenando con datos aumentados, introducir mejoras en la arquitectura del modelo y realizar otros ajustes finos.

Contenido.

Entrenamiento de redes neuronales profundas.

Implementación de módulos y funciones de pérdida.

Utilización de modelos preentrenados de PyTorch Hub.

Exploración de ejemplos de código en Jupyter Notebooks.

Sobre el lector.

Para programadores de Python interesados en el aprendizaje automático.

Sobre el autor.

Eli Stevens ha desempeñado funciones desde ingeniero de software hasta director de tecnología, y actualmente trabaja en el aprendizaje automático en el sector de los coches autónomos. Luca Antiga es cofundador de una empresa de ingeniería de IA y de una startup de tecnología de IA, así como antiguo colaborador de PyTorch. Thomas Viehmann es desarrollador del núcleo de PyTorch y formador y consultor en aprendizaje automático. consultor con sede en Múnich, Alemania, y desarrollador del núcleo de PyTorch.

Tabla de contenidos.

PARTE 1 - NÚCLEO PYTORCH

1 Introducción al aprendizaje profundo y a la librería PyTorch.

2 Redes preentrenadas.

3 Comienza con un tensor.

4 Representación de datos del mundo real usando tensores.

5 La mecánica del aprendizaje.

6 Usando una red neuronal para ajustar los datos.

7 Diferenciar pájaros de aviones: Aprendizaje a partir de imágenes.

8 Uso de convoluciones para generalizar.

PARTE 2 - APRENDIZAJE A PARTIR DE IMÁGENES EN EL MUNDO REAL: DETECCIÓN PRECOZ DEL CÁNCER DE PULMÓN.

9 Usar PyTorch para luchar contra el cáncer.

10 Combinando fuentes de datos en un conjunto de datos unificado.

11 Entrenamiento de un modelo de clasificación para detectar tumores sospechosos.

12 Mejorando el entrenamiento con métricas y aumento.

13 Uso de la segmentación para encontrar nódulos sospechosos.

14 Análisis de nódulos de extremo a extremo, y dónde ir después.

PARTE 3 - DESPLIEGUE

15 Despliegue en producción.