PARTIE I : Apprentissage profond pratique

CHAPITRE 1 : Un voyage au cœur de l'apprentissage profond
1.1 L'apprentissage profond pour tous
1.2 Réseaux neuronaux : un bref historique
1.3 À propos de l'auteur
1.4 Méthodes d'entraînement en apprentissage profond
1.5 Logiciels : PyTorch, Fastai, Jupyter Notebook
1.6 Création de votre premier modèle
1.7 L'apprentissage profond dans divers domaines
1.8 Jeux de données de validation et de test
1,9 Moments d'aventure, des choix rien que pour vous
1.10 Questionnaire

CHAPITRE 2 Du modèle au produit
2.1 Mise en œuvre d'un projet d'apprentissage profond
2.2 Collecte des données
2.3 Des données aux chargeurs de données
2.4 Entraînement du modèle et préparation des données à l'aide du modèle entraîné
2.5 Conversion du modèle en une application en ligne
2.6 Comment éviter une catastrophe
2.7 Avantages de la rédaction technique
2.8 Questionnaire

CHAPITRE 3 ÉTHIQUE DES DONNÉES
3.1 Cas clés d'éthique des données
3.2 Intégration de l'apprentissage automatique et de la conception de produits
3.3 Thèmes d'éthique des données
3.4 Identification et résolution des problèmes éthiques
3.5.
Le rôle des politiques publiques
3.6 Conclusion
3.7 Questionnaire
3.8 L'apprentissage profond en pratique : résumé

PARTIE II Comprendre la couche application Fastai

CHAPITRE 4 : Un aperçu du processus d'apprentissage d'un classificateur de chiffres
4.1 Pixels : Les fondamentaux du traitement d’images par ordinateur
4.2 Première tentative : similarité des pixels
4.3 Calcul des indicateurs d'évaluation par diffusion
4.4 Descente de gradient stochastique
4.5 Fonction de perte MNIST
4.6 Tout au même endroit
4.7 Ajout de non-linéarité
4.8 Terminologie
4.9 Questionnaire

CHAPITRE 5 CLASSIFICATION DES IMAGES
5.1 Extension de l'exemple chien/chat aux races de chiens de compagnie
5.2 Prédimensionnement
5.3 Perte d'entropie croisée
5.4 Interprétation du modèle
5.5 Amélioration du modèle
5.6 Conclusion
5.7 Questionnaire

CHAPITRE 6 AUTRES PROBLÈMES LIÉS AU TRAITEMENT D'IMAGES
6.1 Classification multi-étiquettes
6.2 Régression
6.3 Conclusion
6.4 Questionnaire

CHAPITRE 7 Apprendre le modèle le plus récent
7.1 ImageNet
7.2 Normalisation
7.3 Tailles progressives
7.4 Augmentation pendant les tests
7.5 Mixup
7.6 Lissage des étiquettes
7.7 Conclusion
7.8 Questionnaire

CHAPITRE 8 : Analyse approfondie du filtrage collaboratif
8.1 Premières impressions des données
8.2 Apprentissage des éléments latents
8.3 Création de chargeurs de données
8.4 Filtrage collaboratif à partir de zéro
8.5 Analyse des plongements et des biais
8.6 Construction d'un modèle de filtrage collaboratif initial
8.7 Apprentissage profond pour le filtrage collaboratif
8.8 Conclusion
8.9 Questionnaire

CHAPITRE 9 : Approfondir la modélisation des données tabulaires
9.1 Intégration catégorielle
9.2 Techniques autres que l'apprentissage profond
9.3 Ensemble de données
9.4 Arbres de décision
9.5 Forêt aléatoire
9.6 Interprétation du modèle
9.7 Extrapolation et réseaux neuronaux
9.8 Ensemble
9.9 Conclusion
Questionnaire 9.10

CHAPITRE 10 Approfondir le TALN : les réseaux neuronaux récurrents
10.1 Prétraitement du texte
10.2 Entraînement d'un classificateur de texte
10.3 Désinformation et modèles linguistiques
10.4 Conclusion
Questionnaire 10.5

CHAPITRE 11 Transformation des données avec l'API de niveau intermédiaire de Fastai
11.1 Analyse approfondie de l'API hiérarchique de Fastai
11.2 Listes Tfmd et jeux de données : Conversion des listes de collections
11.3 Test de l'API de données intermédiaires : SiamesePair
11.4 Conclusion
11.5 Questionnaire
11.6 Comprendre les applications Fastai : résumé

PARTIE III : Fondements de l'apprentissage profond

CHAPITRE 12 Implémentation d'un modèle de langage à partir de zéro
12.1 Données
12.2 Modèle de langue initiale
12.3 Amélioration des RNN
12.4 RNN multicouche
12,5 LSTM
12.6 Régularisation des LSTM
12.7 Conclusion
12.8 Questionnaire

CHAPITRE 13 Réseaux de neurones convolutifs
13.1 La magie de la convolution
13.2 Le premier réseau neuronal convolutif
13.3 Images couleur
13.4 Améliorer la stabilité de l'apprentissage
13.5 Conclusion
13.6 Questionnaire

CHAPITRE 14 ResNets
14.1 Retour au problème d'ImageNet
14.2 Construction d'un CNN moderne : ResNet
14.3 Conclusion
14.4 Questionnaire

CHAPITRE 15 Une analyse approfondie de l'architecture applicative
15.1 Traitement d'images
15.2 Traitement automatique du langage naturel
15.3 Tableau
15.4 Conclusion
15.5 Questionnaire

CHAPITRE 16 Processus d'apprentissage
16.1 Établissement d'une base de référence
16.2 Optimiseur complet
16.3 Momentum
16,4 RMSProp
16,5 Adam
16.6 Dégradation du poids séparée
16.7 Rappel
16.8 Conclusion
16.9 Questionnaire
16.10 Principes fondamentaux de l'apprentissage profond : Résumé

PARTIE IV : Implémentation de l'apprentissage profond à partir de zéro

CHAPITRE 17 Construction d'un réseau neuronal à partir de zéro
17.1 Création de couches de réseaux neuronaux à partir de zéro
17.2 Propagation avant et arrière
17.3 Conclusion
17.4 Questionnaire

CHAPITRE 18 Interprétation des CNN à l'aide de CAM
18.1 CAM et hameçon
18.2 Gradient CAM
18.3 Conclusion
18.4 Questionnaire

CHAPITRE 19 Créer une classe d'apprenants à partir de zéro
19.1 Données
19.2 Modules et paramètres
19,3 pertes
19.4 Apprenant
19.5 Conclusion
19.6 Questionnaire

CHAPITRE 20 Conclusion

Annexe A : Créer un blog sur GitHub
A.1 Bloguer avec GitHub Pages
A.2 Utiliser Jupyter Notebooks pour bloguer

Annexe B Liste de vérification du projet de données
B.1 Data Scientist
B.2 Stratégie
B.3 Données
B.4 Analyse
B.5 Mise en œuvre
B.6 Maintenance
B.7 Limitations

Tout ce que vous devez savoir sur fast.ai, la technologie d'apprentissage profond de pointe qui profitera aux développeurs du monde entier.

La version originale de ce livre est classée en tête de la catégorie Réseaux neuronaux informatiques d'Amazon aux États-Unis.
Parce que nous expliquons l'apprentissage profond à l'aide de la bibliothèque fastai, qui est le sujet le plus en vogue.
Lorsque je discute avec des personnes qui commencent tout juste à s'intéresser au développement et aux données, je les entends souvent s'inquiéter de ne pas être douées pour produire du code car elles n'ont pas de formation en informatique ou en développement.
Bien sûr que c'est possible.
Lorsqu'on débute dans le domaine de la technologie, il est facile de se sentir frustré car on ne sait pas ce qu'il faut savoir pour résoudre les problèmes que l'on souhaite résoudre.
Ces personnes trouveront dans ce livre tout ce qu'elles peuvent désirer en matière d'ingénierie de l'apprentissage profond.


Public cible

Ce livre est particulièrement adapté aux lecteurs qui découvrent l'apprentissage profond et l'apprentissage automatique.
Une expérience en programmation Python est un atout.
Il contient également des éléments qui seront utiles aux spécialistes de l'apprentissage profond.
Nous vous enseignons comment obtenir des résultats de niveau international, notamment grâce aux techniques abordées dans les recherches les plus récentes.
Cela ne nécessite pas de formation avancée en mathématiques ni des années d'études.
Il suffit d'un peu de bon sens et de persévérance.

- Ceux qui débutent dans le domaine de l'apprentissage automatique et de l'apprentissage profond (une année d'expérience en Python ou en programmation est suffisante)
- Ceux qui utilisent l'apprentissage automatique et l'apprentissage profond dans le domaine

Contenu principal

- Apprenez les modèles de traitement d'images, de traitement du langage naturel, de données tabulaires et de filtrage collaboratif.
- Apprenez les techniques les plus récentes en matière d'apprentissage profond.
- Comprendre le fonctionnement des modèles d'apprentissage profond pour améliorer la stabilité, la précision et la vitesse.
- Apprenez à intégrer des modèles d'apprentissage profond dans des applications web.
- Implémenter des algorithmes d'apprentissage profond à partir de zéro.
- Compte tenu des questions éthiques inhérentes au travail sur l'IA.