Accueil Intelligence artificielle Posit AI Blog : Deep Learning et calcul scientifique avec la torche R : le livre

Posit AI Blog : Deep Learning et calcul scientifique avec la torche R : le livre

0
Posit AI Blog : Deep Learning et calcul scientifique avec la torche R : le livre


Tout d’abord : où peut-on l’obtenir ? Dès aujourd’hui, vous pouvez télécharger le livre électronique ou commandez un imprimer une copie de l’éditeur CRC Press; l’édition en ligne gratuite est ici. Il n’y a, à ma connaissance, aucun problème à parcourir la version en ligne – à part un : il n’y a pas l’écureuil qui figure sur la couverture du livre.

Un écureuil roux sur un arbre, regardant attentivement.

Alors si vous êtes amateur de créatures étonnantes…

Qu’y a-t-il dans le livre ?

Deep Learning et calcul scientifique avec R torch comporte trois parties.

La première couvre les bases indispensables : les tenseurs, et comment les manipuler ; différenciation automatique, le sine qua non de l’apprentissage profond ; l’optimisation, la stratégie qui anime l’essentiel de ce que nous appelons l’intelligence artificielle ; et des modules de réseaux neuronaux, torch's manière d’encapsuler le flux algorithmique. L’accent est mis sur la compréhension des concepts, sur la façon dont les choses « fonctionnent » – c’est pourquoi nous faisons des choses comme coder un réseau neuronal à partir de zéro, quelque chose que vous ne ferez probablement jamais lors d’une utilisation ultérieure.

Fondations posées, la deuxième partie – considérablement plus importante – plonge dans les applications d’apprentissage en profondeur. C’est ici que l’écosystème entourant le noyau torch entre sous les projecteurs. Voyons d’abord comment luz automatise et simplifie considérablement de nombreuses tâches de programmation liées à la formation du réseau, à l’évaluation des performances et à la prédiction. En utilisant les wrappers et les installations d’instrumentation qu’il fournit, nous découvrons ensuite deux aspects de l’apprentissage profond qu’aucune application du monde réel ne peut se permettre de négliger : comment généraliser les modèles à des données invisibles et comment accélérer la formation. Les techniques que nous introduisons ne cessent de réapparaître au fil des cas d’utilisation que nous examinons ensuite : classification et segmentation d’images, régression sur des données tabulaires, prévision de séries chronologiques et classification des énoncés vocaux. C’est dans le travail avec les images et le son que les bibliothèques essentielles de l’écosystème, à savoir, torchvision et torchaudiofont leur apparition, pour être utilisés pour des fonctionnalités dépendantes du domaine.

Dans la troisième partie, nous allons au-delà de l’apprentissage profond et explorons comment torch peut figurer dans des applications mathématiques ou scientifiques générales. Les sujets importants sont la régression utilisant les décompositions matricielles, la transformée de Fourier discrète et la transformation en ondelettes. L’objectif principal ici est de comprendre les idées sous-jacentes et pourquoi elles sont si importantes. C’est pourquoi, ici comme dans la première partie, nous codons les algorithmes à partir de zéro, avant d’introduire les algorithmes optimisés en vitesse. torch équivalents.

Maintenant que vous connaissez le contenu du livre, vous vous demandez peut-être :

C’est pour qui ?

En bref, Deep Learning et calcul scientifique avec R torch – étant le seul texte complet, à ce jour, sur ce sujet – s’adresse à un large public. L’espoir est qu’il y ait quelque chose pour tout le monde (enfin, presque tout le monde).

Si vous n’avez jamais utilisé torch, ni aucun autre cadre d’apprentissage en profondeur, il faut commencer dès le début. Aucune connaissance préalable en apprentissage profond n’est attendue. L’hypothèse est que vous connaissez quelques bases de R et que vous êtes familier avec les termes d’apprentissage automatique tels que l’apprentissage supervisé et non supervisé, l’ensemble de tests de validation et de formation, et cetera. Après avoir parcouru la première partie, vous constaterez que les parties deux et trois – indépendamment – ​​continuent là où vous vous étiez arrêté.

Si, en revanche, vous avez une expérience de base avec torch et/ou d’autres frameworks de différenciation automatique, et que vous êtes principalement intéressé par l’apprentissage profond appliqué, vous pourriez être enclin à parcourir la première partie et à passer à la deuxième partie, en consultant les applications qui vous intéressent le plus (ou simplement en parcourant, en quête d’inspiration) . Les exemples dépendants du domaine ont été choisis pour être plutôt génériques et simples, afin que le code puisse être généralisé à toute une gamme d’applications similaires.

Enfin, si c’est « l’informatique scientifique » dans le titre qui a retenu votre attention, j’espère bien que la troisième partie aura quelque chose pour vous ! (En tant qu’auteur du livre, je peux dire que l’écriture de cette partie a été une expérience extrêmement satisfaisante et incroyablement engageante.) C’est dans la troisième partie qu’il est vraiment logique de parler de « navigation » – ses sujets ne dépendent guère les uns des autres, il suffit de regarder autour de soi. ce qui vous plaît.

Pour conclure, alors :

Qu’est-ce que je reçois?

En termes de contenu, je pense que je peux considérer que cette question a été répondue. S’il y avait d’autres livres sur torch avec R, j’insisterais probablement sur deux choses : premièrement, l’accent déjà mentionné sur les concepts et la compréhension. Deuxièmement, l’utilité des exemples de code. En utilisant des ensembles de données disponibles dans le commerce et en effectuant les types de tâches habituels, nous écrivons du code adapté pour servir de point de départ dans vos propres applications – en fournissant des modèles prêts à copier-coller et à adapter à un objectif.

Merci d’avoir lu et j’espère que vous apprécierez le livre !

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici