Лоуренс Морони - Искусственный интеллект и машинное обучение для программистов в PyTorch (2026)

Ответить на тему
 
Автор Сообщение

Prescious ®

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:
https://www.twirpx.com/file/4651236/
Скриншоты:
Скачать торрент:

Чтобы скачать файл "Лоуренс Морони - Искусственный интеллект и машинное обучение для программистов в PyTorch (2026)"

Вам нужно Авторизоваться на сайте под своим логином. Если у Вы ещё не зарегистрированы, тогда Вам нужно пройти Регистрацию


Показать сообщения:    
Ответить на тему

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

⇧
⇩