{"product_id":"140460","title":"Maîtriser le transformateur ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYGWrwYMT8IENCHMHoY1OVRnH0M5Y.png?v=1765079947\" 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 Maîtriser le transformateur \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\/141128416\/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\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eExaminons un modèle de langage basé sur les transformateurs.\u003c\/b\u003e  \u003cbr\u003eRésolvons efficacement les problèmes tout en explorant les tâches de traitement automatique du langage naturel et de vision par ordinateur !\u003cbr\u003e\u003cbr\u003e Les modèles de langage basés sur les transformeurs tels que BERT, T5, GPT, DALL-E et ChatGPT sont à la pointe de la recherche en traitement automatique du langage naturel (TALN) et constituent un nouveau paradigme.\u003cbr\u003e Grâce à leurs capacités de réglage fin précises et rapides, ces modèles surpassent les approches traditionnelles d'apprentissage automatique sur les problèmes complexes de compréhension du langage naturel (NLU).\u003cbr\u003e\u003cbr\u003e Les transformeurs obtiennent des résultats remarquables non seulement en traitement automatique du langage naturel, mais aussi dans les domaines en pleine expansion de l'apprentissage multimodal et de l'intelligence artificielle générative.\u003cbr\u003e Grâce à ce livre, les lecteurs apprendront et mettront en œuvre diverses tâches de traitement automatique du langage naturel (TALN) basées sur le texte, ainsi que des solutions multimodales, notamment la transformation texte-image et les solutions de vision par ordinateur (CV) basées sur les transformateurs.\u003cbr\u003e Ce livre présente d'abord différents modèles de transformateurs et explique comment entraîner des modèles de langage autorégressifs tels que GPT et XLNet. \u003cbr\u003eVous apprendrez également à améliorer les performances du modèle et à suivre la progression de son entraînement à l'aide de la chaîne d'outils TensorBoard.\u003cbr\u003e La seconde moitié du livre se concentre sur la résolution des problèmes de vision par ordinateur à l'aide du Vision Transformer (ViT).\u003cbr\u003e Enfin, nous verrons comment appliquer les capacités des Transformers à la modélisation et à la prévision des données de séries temporelles.\u003cbr\u003e Grâce à cet ouvrage, les lecteurs comprendront le modèle Transformer et apprendront à l'utiliser pour résoudre diverses tâches dans les domaines du traitement automatique du langage naturel et de la vision par ordinateur.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e[Partie 1] Évolutions récentes dans le domaine, préparation au stage et premier programme Hello World\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 1 : De BoW (Bag of Words) à Transformers\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 Évolution des approches de traitement automatique du langage naturel\u003cbr\u003e 1.2 Résumé des approches traditionnelles en PNL  \u003cbr\u003e1.2.1 Conception et création de modèles de langage\u003cbr\u003e 1.3 Utilisation de l'apprentissage profond\u003cbr\u003e 1.3.1 Prise en compte de l'ordre des mots à l'aide de modèles RNN\u003cbr\u003e __1.3.2 Unité LSTM et récurrente à porte\u003cbr\u003e 1.3.3 Intégration contextuelle des mots et apprentissage par transfert\u003cbr\u003e 1.4 Aperçu de l'architecture des transformateurs\u003cbr\u003e __1.4.1 Mécanisme d'attention\u003cbr\u003e 1.4.2 Mécanisme d'attention multi-têtes\u003cbr\u003e 1.5 Apprentissage par transfert (TL) à l'aide de transformateurs\u003cbr\u003e 1.6 Apprentissage multimodal\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 2 : Préparation du milieu de pratique et connaissances de base\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Exigences techniques\u003cbr\u003e 2.2 Installation de la bibliothèque Transformer avec Anaconda\u003cbr\u003e __2.2.1 Installation d'Anaconda sous Linux\u003cbr\u003e __2.2.2 Installation d'Anaconda sous Windows\u003cbr\u003e __2.2.3 Installation d'Anaconda sur macOS\u003cbr\u003e __2.2.4 Installation de TensorFlow, PyTorch et Transformer\u003cbr\u003e __2.2.5 Installation et utilisation de Transformers dans Google Colab\u003cbr\u003e 2.3 Gestion des modèles de langage et des tokenizers\u003cbr\u003e 2.4 Tirer parti du modèle fourni par la communauté\u003cbr\u003e 2.5 Utilisation des transformateurs multimodaux\u003cbr\u003e 2.6 Évaluation comparative et utilisation des ensembles de données\u003cbr\u003e __2.6.1 Principaux indicateurs de performance\u003cbr\u003e __2.6.2 Analyse comparative de la colle  \u003cbr\u003e__2.6.3 Test de performance SuperGLUE\u003cbr\u003e __2.6.4 Test de performance XTREME\u003cbr\u003e __2.6.5 Test de performance XGLUE\u003cbr\u003e __2.6.6 Benchmark SQuAD\u003cbr\u003e __2.6.7 Accès aux ensembles de données via l'API\u003cbr\u003e 2.7 Gestion des données à l'aide de la bibliothèque de jeux de données\u003cbr\u003e __2.7.1 Tri, accès par indice et mélange\u003cbr\u003e __2.7.2 Mise en cache et réutilisation\u003cbr\u003e __2.7.3 Filtrage à l'aide de la fonction filter\u003cbr\u003e __2.7.4 Traitement des données à l'aide de la fonction map\u003cbr\u003e __2.7.5 Gestion des fichiers locaux\u003cbr\u003e __2.7.6 Préparation de l'ensemble de données pour l'entraînement du modèle\u003cbr\u003e 2.8 Tests de vitesse et d'utilisation de la mémoire\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 2] Différents modèles de transformateurs : des auto-encodeurs aux modèles autorégressifs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 3 : Modèle de langage d’auto-encodage\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 Exigences techniques\u003cbr\u003e 3.2 BERT : un modèle de langage d'auto-encodage\u003cbr\u003e 3.2.1 Tâche de pré-entraînement pour le modèle de langage BERT\u003cbr\u003e 3.2.2 Analyse approfondie du modèle de langage BERT\u003cbr\u003e 3.3 Entraînement d'un modèle de langage d'auto-encodage pour une langue arbitraire\u003cbr\u003e 3.4 Partage des modèles avec la communauté\u003cbr\u003e 3.5 Autres modèles d'auto-encodage\u003cbr\u003e 3.5.1 Introduction à ALBERT  \u003cbr\u003eModèle RoBERTa __3.5.2\u003cbr\u003e __3.5.3 ELECTRA\u003cbr\u003e Modèle DeBERTa __3.5.4\u003cbr\u003e 3.6 Gestion des algorithmes de tokenisation\u003cbr\u003e __3.6.1 BPE\u003cbr\u003e __3.6.2 Tokenisation WordPiece\u003cbr\u003e __3.6.3 Tokenisation des fragments de phrase\u003cbr\u003e Bibliothèque de tokeniseurs __3.6.4\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 4 : Des modèles génératifs aux LLM (modèles de langage à grande échelle)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Exigences techniques\u003cbr\u003e 4.2 Introduction au GLM\u003cbr\u003e 4.3 Utilisation des GLM\u003cbr\u003e __4.3.1 Série de modèles GPT\u003cbr\u003e __4.3.2 Transformer-XL\u003cbr\u003e __4.3.3 XLNet\u003cbr\u003e 4.4 Gestion des modèles texte-à-texte\u003cbr\u003e 4.4.1 Apprentissage multitâche avec T5\u003cbr\u003e 4.4.2 Généralisation de texte sans exemple à l'aide du modèle T0\u003cbr\u003e __4.4.3 BART : Un autre modèle seq2seq basé sur la suppression du bruit\u003cbr\u003e 4.5 Formation GLM\u003cbr\u003e 4.6 Génération de langage naturel à l'aide de modèles autorégressifs\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 5 : Optimisation d’un modèle de langage pour la classification de textes\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Exigences techniques\u003cbr\u003e 5.2 Aperçu de la classification des textes\u003cbr\u003e 5.3 Optimisation du modèle BERT pour la classification binaire de phrases uniques\u003cbr\u003e 5.4 Entraînement d'un modèle de classification à l'aide de PyTorch natif  \u003cbr\u003e5.5 Optimisation d'un modèle BERT pour la classification multiclasse (à l'aide d'un jeu de données personnalisé)\u003cbr\u003e 5.6 Optimisation du modèle BERT pour la régression par paires de phrases\u003cbr\u003e 5.7 Classification de texte multi-étiquettes\u003cbr\u003e 5.8 Ajustement fin du modèle à l'aide de run_glue.py\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 6 : Optimisation d’un modèle de langage pour la classification des jetons\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Exigences techniques\u003cbr\u003e 6.2 Introduction à la classification des jetons\u003cbr\u003e 6.2.1 Comprendre NER\u003cbr\u003e 6.2.2 Comprendre l'étiquetage morphosyntaxique\u003cbr\u003e __6.2.3 Comprendre le système de questions-réponses (QA)\u003cbr\u003e 6.3 Optimisation du modèle de langage pour la reconnaissance d'entités nommées\u003cbr\u003e 6.4 Question-réponse par classification de jetons\u003cbr\u003e 6.5 Questions et réponses pour diverses tâches\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 7 : Représentation du texte\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 7.1 Exigences techniques\u003cbr\u003e 7.2 Introduction aux embeddings de phrases\u003cbr\u003e 7.2.1 Encodeur croisé vs. double encodeur\u003cbr\u003e 7.3 Évaluation comparative des modèles de similarité de phrases\u003cbr\u003e 7.4 Apprentissage zéro-shot à l'aide du modèle BART\u003cbr\u003e 7.5 Expériences de similarité sémantique utilisant FLAIR\u003cbr\u003e __7.5.1 Intégration moyenne des mots\u003cbr\u003e 7.5.2 Intégration de documents basée sur les RNN  \u003cbr\u003e__7.5.3 Intégration de BERT basée sur Transformer\u003cbr\u003e __7.5.4 Intégration SBERT\u003cbr\u003e 7.6 Clustering de textes à l'aide de SBERT\u003cbr\u003e __7.6.1 Modélisation de sujets à l'aide de BERTopic\u003cbr\u003e 7.7 Recherche sémantique avec SBERT\u003cbr\u003e 7.8 Réglage fin du modèle d'intégration avec les instructions\u003cbr\u003e addition\u003cbr\u003e Pour en savoir plus\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 8 : Améliorer les performances du modèle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 8.1 Exigences techniques\u003cbr\u003e 8.2 Amélioration des performances grâce à l'augmentation des données\u003cbr\u003e 8.2.1 Augmentation au niveau du personnage\u003cbr\u003e 8.2.2 Augmentation au niveau du mot\u003cbr\u003e 8.2.3 Augmentation au niveau de la phrase\u003cbr\u003e 8.2.4 Amélioration des performances de classification textuelle d'IMDb par l'augmentation des données\u003cbr\u003e 8.3 Adaptation du modèle au domaine\u003cbr\u003e 8.4 Technique HPO pour la détermination des hyperparamètres optimaux\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 9 : Réglage efficace des paramètres\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 9.1 Exigences techniques\u003cbr\u003e 9.2 Introduction au PEFT\u003cbr\u003e 9.3 Différents types de PEFT\u003cbr\u003e 9.3.1 Méthode additive\u003cbr\u003e __9.3.2 Méthode optionnelle\u003cbr\u003e __9.3.3 Réglage fin du coefficient faible\u003cbr\u003e 9.4 Exercices pratiques PEFT\u003cbr\u003e __9.4.1 Réglage fin des points de contrôle BERT par ajustement des adaptateurs\u003cbr\u003e __9.4.2 Optimisation efficace de FLAN-T5 pour les tâches NLI (à l'aide de LoRA)  \u003cbr\u003e__9.4.3 Réglage fin à l'aide de QLoRA\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 3] Sujets avancés\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 10 : LLM (Modèle de langage à grande échelle)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 10.1 Exigences techniques\u003cbr\u003e 10.2 Pourquoi le LLM est important\u003cbr\u003e 10.2.1 L'importance des fonctions de récompense\u003cbr\u003e 10.2.2 Capacité de suivi des instructions des LLM\u003cbr\u003e 10.3 Optimisation des modèles de langage à grande échelle\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 11 : Traitement automatique du langage naturel et intelligence artificielle explicable (XAI)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 11.1 Exigences techniques\u003cbr\u003e 11.2 Interprétation du chef d'attention\u003cbr\u003e 11.2.1 Visualisation des têtes d'attention à l'aide d'exBERT\u003cbr\u003e __11.2.2 Visualisation multi-échelle de la tête de l'attention à l'aide de BertViz\u003cbr\u003e 11.2.3 Comprendre la structure interne de BERT à l'aide d'un classificateur de sonde\u003cbr\u003e 11.3 Explication des décisions du modèle\u003cbr\u003e __11.3.1 Analyse de décision du transformateur à l'aide de LIME\u003cbr\u003e __11.3.2 Analyse de décision du transformateur à l'aide de SHAP (SHapley Additive exPlanations)\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 12 : transformateur efficace\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 12.1 Exigences techniques\u003cbr\u003e 12.2 Présentation d'un modèle de transformateur efficace, léger et rapide\u003cbr\u003e 12.3 Réduction de la taille du modèle\u003cbr\u003e 12.3.1 Distillation des connaissances avec DistilBERT  \u003cbr\u003e__12.3.2 Élagage du modèle Transformer\u003cbr\u003e __12.3.3 Quantification\u003cbr\u003e 12.4 Utilisation de mécanismes d'auto-attention efficaces\u003cbr\u003e 12.4.1 Auto-attention éparse basée sur des modèles fixes\u003cbr\u003e __12.4.2 Modèles apprenables\u003cbr\u003e __12.4.3 Décomposition à faible comptage, méthodes nucléaires et autres approches\u003cbr\u003e Quantification simplifiée grâce à l'utilisation de 12,5 bits et octets\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 13 : Modélisation linguistique interlingue et multilingue\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 13.1 Exigences techniques\u003cbr\u003e 13.2 Modélisation du langage de traduction et partage des connaissances interlinguistiques\u003cbr\u003e 13.3 XLM et mBERT\u003cbr\u003e Modèle mBERT __13.3.1\u003cbr\u003e __13.3.2 XLM\u003cbr\u003e 13.4 Tâche de similarité interlinguistique\u003cbr\u003e __13.4.1 Similarité textuelle interlingue\u003cbr\u003e __13.4.2 Visualisation de la similarité textuelle interlingue\u003cbr\u003e 13.5 Classification interlinguistique\u003cbr\u003e 13.6 Apprentissage zéro exemple interlingue\u003cbr\u003e 13.7 Traduction multilingue à grande échelle\u003cbr\u003e __13.7.1 Performances du modèle multilingue affiné\u003cbr\u003e addition\u003cbr\u003e Références\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 14 : Prestation de services des modèles de transformateurs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 14.1 Exigences techniques\u003cbr\u003e 14.2 Fourniture de services de modèle Transformer à l'aide de FastAPI\u003cbr\u003e 14.3 Dockerisation de l'API  \u003cbr\u003e14.4 Fourniture d'un service de modélisation de transformateurs plus rapide grâce à TFX\u003cbr\u003e 14.5 Tests de charge avec Locust\u003cbr\u003e 14.6 Inférence plus rapide avec ONNX\u003cbr\u003e 14.7 Inférence SageMaker\u003cbr\u003e addition\u003cbr\u003e Pour en savoir plus\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 15 : Suivi et surveillance des modèles\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 15.1 Exigences techniques\u003cbr\u003e 15.2 Indicateurs du modèle de suivi\u003cbr\u003e __15.2.1 Suivi de l'entraînement du modèle à l'aide de TensorBoard\u003cbr\u003e 15.2.2 Suivi en temps réel de l'entraînement du modèle à l'aide de W\u0026amp;B\u003cbr\u003e addition\u003cbr\u003e Pour en savoir plus\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 4] Utiliser Transformer au-delà du traitement automatique du langage naturel\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 16 : Transformateur de vision (ViT)\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 16.1 Exigences techniques\u003cbr\u003e 16.2 Transformateur de vision (ViT)\u003cbr\u003e 16.3 Classification d'images à l'aide de transformateurs\u003cbr\u003e 16.4 Segmentation sémantique et détection d'objets à l'aide de transformateurs\u003cbr\u003e 16.5 Modèle d'invite visuelle\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 17 : Transformateurs multimodaux génératifs\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 17.1 Exigences techniques\u003cbr\u003e 17.2 Apprentissage multimodal\u003cbr\u003e 17.2.1 IA multimodale générative\u003cbr\u003e 17.3 Diffusion stable pour la génération d'images à partir de texte  \u003cbr\u003e17.4 Génération d'images par diffusion stable\u003cbr\u003e 17.5 Créer de la musique avec MusicGen\u003cbr\u003e 17.6 Génération de parole (synthèse vocale) à l'aide de transformateurs\u003cbr\u003e addition\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 18 : Repenser l’architecture des transformateurs pour les données de séries temporelles\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 18.1 Exigences techniques\u003cbr\u003e 18.2 Concepts de base des données de séries chronologiques\u003cbr\u003e 18.3 Transformateurs et modélisation des séries temporelles\u003cbr\u003e addition\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\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\/TopCate5081\/MidCate10\/508099642.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\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★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Se concentrer sur la résolution de divers problèmes de NLP, des plus simples aux plus complexes, à l'aide de Python.\u003cbr\u003e ◎ Apprenez à résoudre les problèmes de classification\/régression à l'aide des approches NLP traditionnelles.\u003cbr\u003e ◎ Comprendre comment entraîner un modèle de langage et l'affiner pour des sous-tâches.\u003cbr\u003e ◎ Apprenez à utiliser les Transformers pour les tâches d'IA générative et de vision par ordinateur.\u003cbr\u003e ◎ Créez une application NLP basée sur Transformer en utilisant la bibliothèque Transformers de Hugging Face. \u003cbr\u003e◎ Effectue des tâches de génération de langage multilingues telles que la traduction automatique et l'IA conversationnelle.\u003cbr\u003e ◎ Décrit une technique d'amélioration de l'efficacité pour augmenter la vitesse d'inférence du modèle de transformateur et réduire le temps de retard. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\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 10 janvier 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 504 pages | 188 × 240 × 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 9791158395636 \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":43893423472682,"sku":"140460","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/498796d3c13bc3fa7ae79283daaa3eaa.jpg?v=1765401426","url":"https:\/\/librairie.coreenne.fr\/products\/140460","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}