Лоуренс Морони | Искусственный интеллект и машинное обучение для программистов в PyTorch (2026) [PDF] -Автор: Лоуренс Морони Издательство: Алист ISBN: 978-601-12-9387-7 Жанр: Компьютерная литература Формат: PDF Качество: Обработанный скан Иллюстрации: Черно-белые Описание: Книга посвящена практической разработке решений в области искусственного интеллекта и машинного обучения с акцентом на реальную практику. Подход «сначала код - потом теория» позволяет осваивать ключевые идеи ИИ без углубленной математической подготовки. Рассматриваются основные направления современного ИИ: компьютерное зрение, NLP и генеративные модели. На практике разбирается работа с PyTorch, трансформерами, моделями из библиотеки Hugging Face, рассматриваются диффузионные модели, а также методы адаптации моделей - промпт-инжиниринг, дообучение моделей и LoRA. Отдельное внимание уделено развертыванию моделей в Интернете и в облаке, что позволяет пройти полный цикл создания ИИ-решений - от обучения до внедрения. Для разработчиков, инженеров ML и специалистов по прuкладному ИИ.
"Дополнительная информация:"
Морони Лоуренс, удостоенный наград исследователь в области искусственного интеллекта и автор более 20 бестселлеров. За его плечами более 30 лет работы в индустрии программного обеспечения и машинного обучения, и все это время он остается вовлеченным в развитие и обучение нового поколения инженеров. Содержание Отзывы на книгу Вступительное слoвo Предисловие Кому стоит прочитать эту книгу Почему я написал эту книгу Знакомство с этой книгой Технология, с которой вам необходимо ознакомиться Онлайн-ресурсы Соглашения об используемых обозначениях Архив с иллюстрациями к книге Использование примеров кода Онлайн-обучение O'Reilly Наши контакты Благодарности Глава 1. Знакомство с PyTorch Что такое машинное обучение? Ограничения традиционного программирования От программирования к обучению Что такое PyTorch? Использование PyTorch Установка Porch на Python Использование PyTorch в среде PyCharm Использование PyTorch в Google Colab Начало работы с машинным обучением Посмотрим, чему научилась сеть Резюме Глава 2. Введение в компьютерное зрение Как работает компьютерное зрение База данных Fashion МNIST Нейроны для зрения Проектирование нейронной сети Полный код Обучение нейронной сети Изучаем выходные данные модели Переобучение Ранняя остановка Резюме Глава 3. Выход за границы основ: обнаружение признаков на изображениях Свертки Пулинг Реализация сверточных нейронных сетей Изучение сверточной сети Создание CNN, отличающей человека от лошади Набор данных "Лошадь или человек" Обработка данных Архитектура CNN "Лошадь или человек" Добавление валидационных данных в набор "Лошадь или человек" Тестирование изображений набора "Лошадь или человек" Увеличение изображения Трансферное обучение Мноrоклассовая классификация Метод прореживания (дропаут) Резюме Глава 4. PyTorch в данные Начало работы с наборами данных Работа с классом FashionМNIST Универсальные классы наборов данных ImageFolder DatasetFolder FakeData Применение пользовательского разделения данных Процесс ETL для управления данными в машинном обучении Оптимизация этапа загрузки Использование класса DataLoader Подrотовка пакетов (Вatching) Перемешивание (Shuffling) Параллельная загрузка данных (Parallel Data Loading) Пользовательская выборка данных (Custom Data Sampling) Распараллеливание ETL для повышения производительности обучения Резюме Глава 5. Введение в обработку естественного языка Кодирование языка с помощью чисел Начало работы с токенизацией Применение пользовательского токенизатора Использование предварительно подготовленного токенизатора из Hugging Face Преобразование предложений в последовательности Использование токенов вне словарного запаса Что такое заполнение? Удаление стоп-слов и очистка текста Удаление НТМL-теrов Удаление стоп-слов Удаление знаков препинания Работа с реальными источниками данных Получение текстовых наборов данных Извлечение текста из СSV-файлов Создание обучающих и тестовых поднаборов Извлечение текста из JSОN-файлов Чтение файлов в формате JSON Резюме Глава 6. Программирование смысла предложения с использованием эмбемвига Определение значения слов Простой пример. Положительные и отрицательные оценки Подробнее о векторах Эмбеддинr в PyTorch Создание детектора сарказма с помощью эмбеддинrа Уменьшение эффекта переобучения в языковых моделях Настройка скорости обучения Изучение размера словарного запаса Изучение размерности эмбеддинrа Изучение архитектуры модели Использование прореживания Использование регуляризации Другие соображения по оптимизации Подведение итогов Использование модели для классификации предложения Визуализация эмбеддинrов Использование предварительно обученных эмбеддинrов Резюме Глава 7. Рекуррентные нейронные сети для обработки естественного языка Основы рекуррентности Расширение рекурренции для языка Создание текстового классификатора с помощью RNN Объединение LSTM Оптимизация объединенных LSTM Использование прореживания Использование в RNN предварительно обученных эмбеддинrов Резюме Глава 8. Использование машинного обучения для создания текста Преобразование последовательностей во входные последовательности Создание модели Генерация текста Предсказание следующего слова Комбинирование предсказаний для генерации текста Расширение набора данных Улучшение архитектуры модели Размерность эмбеддинrов ИнициалиэациJ1 LSTM Слои эмбеддинrов Слои LSTM Последний линейный слой Переменная скорость обучения Улучшение качества данных Кодирование на основе символов Резюме Глава 9. Понимание последовательности данных временных рядов Общие атрибуты временных рядов Тенденция Сезонность Автокорреляция Шум Методы прогнозирования временных рядов Наивный прогноз для создания базовой линии Измерение точности прогноза Менее наивные прогнозы: применение скользящего среднего Улучшение анализа скользящего среднего Резюме Главa 10: Создание МL-моделей для предсказания последовательностей Создание оконного набора данных Создание оконной версии набора данных временных рядов Создание и обучение DNN в соответствии с данными последовательности Оценка результатов работы DNN Настройка скорости обучения Резюме Глава 11. Использование сверхточных и рекуррентных методов для моделирования последовательностей Свертки для последовательности данных Кодирование сверток Эксперименты с гиперпараметрами ConvlD Использование погодных данных NASA Чтение да1П1Ых GISS в Python Использование RNN для моделирования последовательности Изучение более крупного набора данных Использование других рекуррентных методов Использование разреживания. Использование двунаправленных RNN Резюме Глава 12. Концепция ивференса Тензоры Данные изображений Текстовые данные Тензоры вне модели Резюме Глава 13. Хостинг и обслуживание моделей PyToreh Представляем TorchServe Настройка TorchServe Подготовка среды Настройка файла config.properties Определение модели Создание файла обработчика Создание архива модели Запуск сервера Тестирование инференса Идем дальше Обслуживание с помощью Flask Создание среды для Flask Создание сервера Flask на Python Резюме Глава 14. Использование сторонних моделей и хабов Hugging Face Hub Использование Hugging Face Hub Получение токена Hugging Face Hub Получение разрешения на использование моделей Конфигурация Colab для токена Hugging Face Использование токена Hugging Face в коде Использование модели из Hugging Face Hub PyTorch Hub Использование моделей PyTorch Vision Обработка данных на естественном языке Другие модели Резюме Глава 15. Трансформеры в транеформеры Понимание Трансформеров Архитектура кодера Слой самовнимания Сетевой слой с прямой связью Слой нормализации Повторяющиеся слои кодера Архитектура декодера Понимание токенов и позиционного кодироваиия Понимание маскированного многоголового внимания Добавление и нормализация Слой прямой связи Линейный слой и слой Softmax Архитектура кодер-декодер API трансформеров Начало работы с трансформерами Основные концепции Конвейеры Токенизаторы Токениэатор WordPiece Кодирование пар байтов SentencePiece Резюме Глава 16. Применение LLM с пользовательскими данными Тонкая настройка LLM Установка и зависимости Загрузка и проверка данных Инициализация модели и токенизатора Предварительная обработка данных Сопоставление данных Определение метрик Настройка обучения Инициализация Trainer Обучение и оценка Сохранение и тестирование модели Промпт-настройка LLM Подготовка данных Создание загрузчиков данных Определение модели Обучение модели Управление пакетами данных -Обработка потерь Оптимизация с учетом потерь Оценка во время обучения Отчётность по метрикам обучения Сохранение эмбеддинrов промтов Выполцение инференса с помощью модели Функция predict Пример использования Резюме Глава 17. Обслуживание LLM с помощью Ollama Начало работы с Ollaпia Запуск Ollaпia в качестве сервера Создание приложения, использующего Ollaпia LLM Сценарий Создание проверки концепции на Python Создание неб-приложения для Ollaпia Файл app.js Файл Index.html Резюме Глава 18. Знакомство с RAG Что такое-RАG? Начало работы с RAG Понимание сходства Создание базы данных Выполнение поиска по сходству Объединение всего воедино Использование RАG-контента в LLM Переходим к размещенным моделям Резюме Глава 19. Использование генеративных моделей с диффузорами Hugging Faee Что такое диффузионные модели? Использование диффузоров Hugging Face Преобразование изображение-изображение с помощью диффузоров Инпейнтинг с помощью диффузора Резюме Глава 20. Настройка генеративных моделей изображений с помощью LoRa и дифtузоров Обучение LoRa с помощью диффузоров Получение diffusers Получение данных для тонкой настройки LoRa Тонкая настройка модели с помощью диффузоров Публикация вашей модели Генерация изображения с помощью пользовательской LoRa Резюме Предметный указатель Об авторе Источник:
Курс Лоуренс Морони - Искусственный интеллект и машинное обучение для программистов в PyTorch (2026)
Текущее время: Сегодня 04:07
Часовой пояс: GMT + 4
Вы не можете начинать темы Вы не можете отвечать на сообщения Вы не можете редактировать свои сообщения Вы не можете удалять свои сообщения Вы не можете голосовать в опросах Вы не можете прикреплять файлы к сообщениям Вы не можете скачивать файлы