{"product_id":"138563","title":"Guide complet d'utilisation de Transformer avec PyTorch en 10 projets faciles ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCfGO29iWyYK1IrpH4sr19wX1Cl.png?v=1765064513\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Guide complet d'utilisation de Transformer avec PyTorch en 10 projets faciles \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/142636957\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eMaîtriser les projets étape par étape\u003cbr\u003e Comment utiliser le Hugging Face Transformer !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Vous pourrez bénéficier d'une approche équilibrée qui couvre non seulement la théorie de base des transformateurs, mais aussi leur mise en œuvre pratique à travers 10 projets. \u003cbr\u003eNous vous guiderons à travers les processus fondamentaux de Transformer, notamment le traitement du langage naturel, la vision par ordinateur, la reconnaissance vocale, l'apprentissage par renforcement et la multimodalité, ainsi que diverses tâches d'apprentissage automatique\/d'apprentissage profond.\u003cbr\u003e L'introduction explique le fonctionnement interne de l'architecture Transformer et de ses principaux modèles, tandis que les chapitres suivants traitent du pré-entraînement, du réglage fin et d'exemples pratiques de modèles open-source.\u003cbr\u003e Il propose notamment des chapitres dédiés à l'écosystème HuggingFace, à l'apprentissage par transfert, au déploiement et à la mise en service des modèles, facilitant ainsi l'apprentissage du modèle Transformer, même pour les débutants. Il inclut également des bonnes pratiques et des conseils de débogage pour les modèles Transformer utilisant PyTorch et HuggingFace, à destination des praticiens.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eChapitre 1 Architecture des transformateurs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _01.1 Historique du développement des modèles NLP\u003cbr\u003e __01.1.1 Réseau neuronal récurrent (RNN)\u003cbr\u003e __01.1.2 LSTM\u003cbr\u003e __01.1.3 Encodeur-décodeur RNN\u003cbr\u003e __01.1.4 Mécanisme d'attention\u003cbr\u003e _01.2 Architecture du transformateur\u003cbr\u003e __01.2.1 Intégration\u003cbr\u003e __01.2.2 Encodage positionnel \u003cbr\u003e__01.2.3 Entrée du modèle\u003cbr\u003e __01.2.4 Couche d'encodage\u003cbr\u003e __01.2.5 Mécanisme d'attention\u003cbr\u003e _01.3 Processus d'apprentissage du transformateur\u003cbr\u003e _01.4 Processus d'inférence du transformateur\u003cbr\u003e _01.5 Types et applications des transformateurs\u003cbr\u003e __01.5.1 Modèle d'encodeur uniquement\u003cbr\u003e __01.5.2 Modèle décodeur uniquement\u003cbr\u003e __01.5.3 Modèle encodeur-décodeur\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2 : L'écosystème du visage qui étreint\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _02.1 Aperçu de Hugging Face\u003cbr\u003e __02.1.1 Composants principaux\u003cbr\u003e __02.1.2 Tokeniseur\u003cbr\u003e __02.1.3 Création d'un tokenizer personnalisé\u003cbr\u003e __02.1.4 Utilisation du tokenizer pré-entraîné Hugging Face\u003cbr\u003e _02.2 Bibliothèque de jeux de données\u003cbr\u003e __02.2.1 Utilisation du jeu de données Hugging Face\u003cbr\u003e __02.2.2 Utilisation du jeu de données Hugging Face dans PyTorch\u003cbr\u003e _02.3 Réglage fin du modèle\u003cbr\u003e __02.3.1 Préférences\u003cbr\u003e __02.3.2 Apprentissage\u003cbr\u003e __02.3.3 Inférence\u003cbr\u003e _02.4 Partage du modèle de visage qui fait un câlin\u003cbr\u003e __02.4.1 Partage de modèles\u003cbr\u003e __02.4.2 Utilisation des espaces\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 3 Modèle de transformateur PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _03.1 Composants transformateurs PyTorch\u003cbr\u003e _03.2 Intégration\u003cbr\u003e __03.2.1 Implémentation de la couche d'intégration\u003cbr\u003e _03.3 Encodage positionnel\u003cbr\u003e _03.4 Masquage \u003cbr\u003e_03.5 Composants de l'encodeur transformateur\u003cbr\u003e _03.6 Composants du décodeur de transformateur\u003cbr\u003e _03.7 Couche de transformation PyTorch\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4 : Apprentissage par transfert avec PyTorch et HuggingFace\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _04.1 La nécessité de l'apprentissage par transfert\u003cbr\u003e _04.2 Comment utiliser l'apprentissage par transfert\u003cbr\u003e _04.3 Dépôt de modèles pré-entraînés\u003cbr\u003e _04.4 Modèle de pré-entraînement\u003cbr\u003e __04.4.1 Traitement automatique du langage naturel (TALN)\u003cbr\u003e __04.4.2 Vision par ordinateur\u003cbr\u003e __04.4.3 Traitement de la voix\u003cbr\u003e _04.5 Projet 1 : Création d’un classificateur par ajustement fin du modèle BERT-base-uncased\u003cbr\u003e __04.5.1 Classe de jeu de données personnalisé\u003cbr\u003e __04.5.2 Création d'un chargeur de données\u003cbr\u003e __04.5.3 Inférence\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 5 Modèles de langage à grande échelle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _05.1 Modèle de langage à grande échelle (LLM)\u003cbr\u003e _05.2 Facteurs clés déterminant la performance\u003cbr\u003e __05.2.1 Taille du réseau : Nombre de couches d’encodeur et de décodeur\u003cbr\u003e _05.3 Master en droit (LLM)\u003cbr\u003e __05.3.1 BERT et modèles associés\u003cbr\u003e __05.3.2 GPT\u003cbr\u003e __05.3.3 BART\u003cbr\u003e _05.4 Création d'un LLM personnalisé\u003cbr\u003e __05.4.1 Implémentation de Clinical-BERT\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6 : Tâches de traitement automatique du langage naturel (TALN) de type Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Tâche NLP _06.1\u003cbr\u003e _06.2 Classification de texte\u003cbr\u003e __06.2.1 Architecture adaptée à la classification de textes \u003cbr\u003e__06.2.2 Classification de texte par ajustement fin du transformateur\u003cbr\u003e __06.2.3 Traitement des séquences longues\u003cbr\u003e __06.2.4 Exemple d'implémentation du découpage de documents\u003cbr\u003e __06.2.5 Exemple d'implémentation de l'attention hiérarchique\u003cbr\u003e _06.3 Génération de texte\u003cbr\u003e Projet 2 (06.3.1) : Générer un texte qui sonne comme Shakespeare\u003cbr\u003e _06.4 Chatbot transformateur\u003cbr\u003e Projet 3 du 06\/04\/2020 : Transformateur de questions-réponses cliniques (médecin IA)\u003cbr\u003e _06.5 Apprentissage avec PEFT et LoRA\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 7 Modèles de vision par ordinateur (CV)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _07.1 Prétraitement d'image\u003cbr\u003e __07.1.1 Exemple de prétraitement d'image\u003cbr\u003e _07.2 Architecture du transformateur de vision\u003cbr\u003e Projet 4 du 07\/2\/2020 : Ophtalmologiste IA\u003cbr\u003e _07.3 Transformateur de distillation\u003cbr\u003e __07.3.1 Processus de préapprentissage de DeiT\u003cbr\u003e __07.3.1 Avantages de DeiT\u003cbr\u003e _07.4 Transformateur de détection\u003cbr\u003e Projet 5 : Modèle de détection d’objets (07.4.1)\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 8 : Tâches de vision par ordinateur des transformateurs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _08.1 Tâches de vision par ordinateur\u003cbr\u003e __08.1.1 Classification d'images\u003cbr\u003e __08.1.2 Segmentation d'images\u003cbr\u003e Projet 6 (08.1.3) : Segmentation d’images pour un calculateur de régime alimentaire \u003cbr\u003e_08.2 Modèle de diffusion : Génération d’images inconditionnelle\u003cbr\u003e __08.2.1 Diffusion directe\u003cbr\u003e __08.2.2 Diffusion inverse\u003cbr\u003e __08.2.3 Processus d'inférence\u003cbr\u003e __08.2.4 Paramètres apprenables\u003cbr\u003e __08.2.5 Mise en œuvre du projet DogGenDiffusion\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 9 Modèle de traitement de la voix\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _09.1 Traitement de la voix\u003cbr\u003e __09.1.1 Exemple de prétraitement vocal\u003cbr\u003e _09.2 Modèle Whisper\u003cbr\u003e __09.2.1 Processus de développement du modèle Whisper_Nep\u003cbr\u003e Modèle Wav2Vec _09.3\u003cbr\u003e Application Wav2Vec __09.3.1\u003cbr\u003e _09.4 Modèle vocal T5\u003cbr\u003e __09.4.1 Représentation des entrées\/sorties\u003cbr\u003e __09.4.2 Présentation intermodale\u003cbr\u003e __09.4.3 Architecture encodeur-décodeur\u003cbr\u003e __09.4.4 Étude préalable\u003cbr\u003e __09.4.5 Réglages fins et applications\u003cbr\u003e _09.5 Comparaison de Whisper, Wav2Vec 2.0 et SpeechT5\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 10 : Tâches de traitement vocal par transformateur\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _10.1 Tâches de traitement vocal\u003cbr\u003e 10.1.1 Transcription vocale\u003cbr\u003e __10.1.2 Projet 7 : Conversion de la parole en texte à l’aide de Whisper\u003cbr\u003e 10.2 Synthèse vocale\u003cbr\u003e Projet 8 : Synthèse vocale (10.2.1)\u003cbr\u003e _10.3 Conversion audio vers audio \u003cbr\u003eProjet 9 : Amélioration de la qualité audio par réduction du bruit (10.3.1)\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 11 : Transformateurs pour le traitement des données tabulaires\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _11.1 Traitement des données tabulaires à l'aide de transformateurs\u003cbr\u003e __11.1.1 Architecture TAPAS\u003cbr\u003e _11.2 Architecture TabTransformer\u003cbr\u003e Architecture du transformateur de 11,3 pieds\u003cbr\u003e __11.3.1 Tokeniseur de fonctionnalités\u003cbr\u003e 11.3.2 Fusion des caractéristiques numériques et catégorielles\u003cbr\u003e __11.3.3 Transformateur\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 12 : Transformateurs pour les tâches de régression et de classification sur des données tabulaires\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _12.1 Transformateur pour les travaux de classification\u003cbr\u003e Ensemble de données __12.1.1\u003cbr\u003e __12.1.2 Variables cibles\u003cbr\u003e __12.1.3 Prétraitement des données\u003cbr\u003e __12.1.4 Paramètres\u003cbr\u003e __12.1.5 Formation et évaluation avec trois modèles\u003cbr\u003e __12.1.6 Résultats de l'évaluation\u003cbr\u003e __12.1.7 Analyse\u003cbr\u003e _12.2 Transformateur pour les tâches de régression\u003cbr\u003e __12.2.1 Ensemble de données\u003cbr\u003e __12.2.2 Prétraitement des données\u003cbr\u003e __12.2.3 Paramètres\u003cbr\u003e 12.2.4 Apprentissage et évaluation\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 13 Transformateurs multimodaux\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _13.1 Architecture multimodale\u003cbr\u003e __13.1.1 ImageBind\u003cbr\u003e __13.1.2 CLIP\u003cbr\u003e _13.2 Travail multimodal\u003cbr\u003e __13.2.1 Extraction de caractéristiques\u003cbr\u003e 13.2.2 Conversion de texte en image\u003cbr\u003e __13.2.3 Conversion d'image en texte \u003cbr\u003e__13.2.4 Réponse visuelle aux questions\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 14 : Apprentissage par renforcement Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 14.1 Apprentissage par renforcement\u003cbr\u003e 14.2 Techniques PyTorch (Modèles) pour l'apprentissage par renforcement\u003cbr\u003e __14.2.1 Ligne de base stable3\u003cbr\u003e __14.2.2 Gymnase\u003cbr\u003e 14.3 Comment mettre en œuvre l'apprentissage par renforcement\u003cbr\u003e 14.4 Transformateurs pour l'apprentissage par renforcement\u003cbr\u003e __14.4.1 Transformateur de décision\u003cbr\u003e __14.4.2 Transformateur de trajectoire\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 15 : Exportation, diffusion et déploiement des modèles\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _15.1 Projet 10 : Exportation et sérialisation des modèles\u003cbr\u003e __15.1.1 Exportation et importation de modèles PyTorch\u003cbr\u003e __15.1.2 Enregistrement de plusieurs modèles\u003cbr\u003e _15.2 Exportation des modèles au format ONNX\u003cbr\u003e _15.3 Diffusion de modèles avec FastAPI\u003cbr\u003e 15.3.1 Avantages de FastAPI\u003cbr\u003e __15.3.2 Application FastAPI pour le service de modèles\u003cbr\u003e __15.3.3 FastAPI pour la diffusion de modèles de segmentation sémantique\u003cbr\u003e _15.4 Déploiement de modèles PyTorch sur appareils mobiles\u003cbr\u003e _15.5 Déploiement du modèle HuggingFace Transformer sur AWS\u003cbr\u003e __15.5.1 Déploiement via Amazon SageMaker\u003cbr\u003e __15.5.2 Déploiement via AWS Lambda et Amazon API Gateway\u003cbr\u003e \u003cbr\u003e\u003cb\u003eChapitre 16 : Interprétabilité et visualisation du modèle Transformer\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _16.1 Concepts d'explicabilité et d'interprétabilité\u003cbr\u003e __16.1.1 Interprétabilité\u003cbr\u003e 16.1.2 Explicabilité\u003cbr\u003e _16.2 Outils d'explicabilité et d'interprétabilité\u003cbr\u003e _16.3 CAPTUM pour l'analyse de prédiction de transformateur\u003cbr\u003e __16.3.1 Chargement du modèle\u003cbr\u003e 16.3.2 Préparation des intrants\u003cbr\u003e __16.3.3 Gradient intégral de couche\u003cbr\u003e __16.3.4 Visualisation\u003cbr\u003e _16.4 TensorBoard pour les modèles PyTorch\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 17 : Bonnes pratiques et débogage des modèles PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e _17.1 Bonnes pratiques pour la mise en œuvre des modèles de transformateurs\u003cbr\u003e __17.1.1 Utilisation de Hugging Face\u003cbr\u003e __17.1.2 Considérations générales pour les modèles PyTorch\u003cbr\u003e _17.2 Techniques de débogage PyTorch\u003cbr\u003e __17.2.1 Erreur de syntaxe\u003cbr\u003e __17.2.2 Erreur d'exécution\u003cbr\u003e __17.2.3 Erreur logique\u003cbr\u003e __17.2.4 Directives générales pour le débogage des modèles d'apprentissage automatique PyTorch\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate5150\/MidCate001\/514904739.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e \",\"\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e★10 projets abordés dans ce livre★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1. Créez un classificateur en affinant le modèle BERT-base-uncased.\u003cbr\u003e 2. \u003cbr\u003eGénérez un texte qui sonne comme du Shakespeare\u003cbr\u003e 3. Création d'un chatbot de questions-réponses pour une clinique d'IA\u003cbr\u003e 4.\u003cbr\u003e Mise en œuvre de médecins IA en ophtalmologie\u003cbr\u003e 5.\u003cbr\u003e Création d'un programme de détection d'objets\u003cbr\u003e 6.\u003cbr\u003e Mise en place d'un calculateur de régime alimentaire qui classe les photos d'aliments\u003cbr\u003e 7.\u003cbr\u003e Conversion de la voix en texte avec Whisper\u003cbr\u003e 8.\u003cbr\u003e Conversion de texte en parole à l'aide de SpeechT5\u003cbr\u003e 9.\u003cbr\u003e Améliorez la qualité audio grâce à la suppression du bruit.\u003cbr\u003e 10.\u003cbr\u003e Exportation et sérialisation des modèles PyTorch\u003cbr\u003e\u003cbr\u003e \u003cb\u003e★10 mots-clés clés abordés dans ce livre★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.\u003cbr\u003e Architecture Transformer\u003cbr\u003e 2.\u003cbr\u003e Écosystème du visage qui étreint\u003cbr\u003e 3.\u003cbr\u003e Implémentation du modèle basé sur PyTorch\u003cbr\u003e 4.\u003cbr\u003e apprentissage par transfert\u003cbr\u003e 5. LLM (Modèle de langage à grande échelle)\u003cbr\u003e 6. Tâches de TALN (classification et génération de texte)\u003cbr\u003e 7.\u003cbr\u003e Modèle de transformateur de vision par ordinateur\u003cbr\u003e 8.\u003cbr\u003e Transformateur de traitement vocal\u003cbr\u003e 9.\u003cbr\u003e transformateur multimodal\u003cbr\u003e 10.\u003cbr\u003e Modèle de service et de distribution\u003cbr\u003e\u003cbr\u003e \u003cb\u003e★Public cible de ce livre★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e * Les data scientists qui ont besoin de directives complètes concernant le modèle et la bibliothèque HuggingFace Transformer. \u003cbr\u003e* Ingénieurs en IA curieux des projets pratiques dans divers domaines tels que le traitement automatique du langage naturel, la vision par ordinateur et la reconnaissance vocale.\u003cbr\u003e * Les chefs de projet qui doivent comprendre la gestion et la mise en œuvre de projets d'IA et d'apprentissage automatique\u003cbr\u003e * Pour tous ceux qui veulent savoir comment les modèles de transformateurs sont utilisés dans l'apprentissage profond et l'apprentissage automatique !\u003cbr\u003e\u003cbr\u003e \u003cb\u003e★Recommandations des lecteurs d'Amazon★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre présente de manière systématique des techniques avancées et pertinentes qui tirent parti des puissantes capacités de PyTorch et de HuggingFace.\u003cbr\u003e Un ouvrage de référence adapté aux passionnés d'apprentissage profond qui souhaitent approfondir les applications pratiques des transformateurs.\u003cbr\u003e Le contenu est bien structuré et captivant pour les lecteurs intéressés par les techniques d'apprentissage automatique de pointe.\u003cbr\u003e - Sunita\u003cbr\u003e\u003cbr\u003e C'est une excellente ressource si vous souhaitez commencer à construire des modèles basés sur Transformer et développer des projets liés au traitement automatique du langage naturel, à la vision et à l'audio. \u003cbr\u003eCe livre propose des exemples de code complets que vous pouvez exécuter et avec lesquels vous pouvez vous entraîner, et comprend des quiz pour vous aider à tester vos connaissances.\u003cbr\u003e Globalement, c'est un très bon livre.\u003cbr\u003e - Ganesh\u003cbr\u003e\u003cbr\u003e Le livre commence par détailler l'architecture du modèle Transformer.\u003cbr\u003e Le parcours complet comprend plusieurs exemples pratiques de mise en œuvre du modèle.\u003cbr\u003e Il couvre tous les sujets, de la création de tokenizers personnalisés de base à la vision par ordinateur, au traitement de la parole et aux projets multimodaux.\u003cbr\u003e Tous les exemples de code sont fournis sous forme de fichiers Google Colab prêts à l'emploi, ce qui permet à chacun de suivre facilement les instructions et de construire ses propres projets.\u003cbr\u003e Si vous souhaitez en savoir plus sur les modèles Transformer mais que la quantité de contenu vous semble excessive, ce livre est le guide idéal pour apprendre en pratiquant, en vous guidant à travers une séquence logique et en fournissant des exemples de code faciles à suivre.\u003cbr\u003e - Fabio Santana\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e \"]\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS\u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n \u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e- \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 7 février 2025\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 292 pages | 170 × 232 × 20 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791193083277\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1193083273 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893259010090,"sku":"138563","price":38.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/243c700e23b8fcc80ff78c8853e0fa93.jpg?v=1765394376","url":"https:\/\/librairie.coreenne.fr\/products\/138563","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}