Hoje temos o prazer de anunciar o lançamento do Aprendizado profundo com R, 2ª edição. Comparado à primeira edição, o livro é mais de um terço mais longo, com mais de 75% de conteúdo novo. Não é tanto uma edição atualizada, mas um livro totalmente novo.
Este livro mostra como começar com o aprendizado profundo em R, mesmo que você não tenha formação em matemática ou ciência de dados. O livro cobre:
Aprendizagem profunda a partir dos primeiros princípios
Classificação e segmentação de imagens
Previsão de série temporal
Classificação de texto e tradução automática
Geração de texto, transferência de estilo neural e geração de imagens
Apenas um conhecimento modesto de R é assumido; todo o resto é explicado desde o início com exemplos que demonstram claramente a mecânica. Aprenda sobre gradientes e retropropagação usando tf$GradientTape()
para redescobrir a constante de aceleração da gravidade da Terra (9,8 (m/s^2)). Aprenda o que é um keras Layer é – implementando um do zero usando apenas a base R. Aprenda a diferença entre normalização em lote e normalização em camada, o que layer_lstm() faz, o que acontece quando você liga
match()e assim por diante – tudo por meio de implementações em código R simples.
Cada seção do livro recebeu atualizações importantes. Os capítulos sobre visão computacional apresentam uma explicação completa de como abordar uma tarefa de segmentação de imagens. As seções sobre classificação de imagens foram atualizadas para usar camadas de pré-processamento {tfdatasets} e Keras, demonstrando não apenas como compor um pipeline de dados rápido e eficiente, mas também como adaptá-lo quando seu conjunto de dados exigir.
Os capítulos sobre modelos de texto foram completamente reformulados. Aprenda como pré-processar texto bruto para aprendizado profundo, primeiro implementando uma camada de vetorização de texto usando apenas base R, antes de usar
keras::layer_text_vectorization() de nove maneiras diferentes. Aprenda sobre a incorporação de camadas implementando um método personalizado
layer_positional_embedding(). Aprenda sobre a arquitetura do transformador implementando um customizado layer_transformer_encoder() e
layer_transformer_decoder(). E, ao longo do caminho, junte tudo isso treinando modelos de texto – primeiro, um classificador de sentimentos de resenhas de filmes, depois, um tradutor de inglês para espanhol e, por fim, um gerador de texto de resenhas de filmes.
Os modelos generativos têm seu próprio capítulo dedicado, cobrindo não apenas a geração de texto, mas também codificadores automáticos variacionais (VAE), redes adversárias generativas (GAN) e transferência de estilo.
Ao longo de cada passo do caminho, você encontrará intuições espalhadas destiladas da experiência e da observação empírica sobre o que funciona, o que não funciona e por quê. Respostas para perguntas como: quando você deve usar um conjunto de palavras em vez de uma arquitetura de sequência? Quando é melhor usar um modelo pré-treinado em vez de treinar um modelo do zero? Quando você deve usar GRU em vez de LSTM? Quando é melhor usar a convolução separável em vez da convolução common? Quando o treinamento está instável, quais etapas de solução de problemas você deve seguir? O que você pode fazer para tornar o treinamento mais rápido?
O livro evita magia e gestos manuais e, em vez disso, abre a cortina de todos os conceitos fundamentais necessários para aplicar o aprendizado profundo. Depois de trabalhar com o materials do livro, você não apenas saberá como aplicar o aprendizado profundo a tarefas comuns, mas também terá o contexto para aplicar o aprendizado profundo a novos domínios e novos problemas.
Reutilizar
Texto e figuras estão licenciados sob Artistic Commons Attribution CC POR 4,0. As figuras que foram reutilizadas de outras fontes não se enquadram nesta licença e podem ser reconhecidas por uma nota na sua legenda: “Figura de …”.
Citação
Para atribuição, cite este trabalho como
Kalinowski (2022, Might 31). Posit AI Weblog: Deep Studying with R, 2nd Version. Retrieved from https://blogs.rstudio.com/tensorflow/posts/2022-05-31-deep-learning-with-R-2e/
Citação BibTeX
@misc{kalinowskiDLwR2e,
writer = {Kalinowski, Tomasz},
title = {Posit AI Weblog: Deep Studying with R, 2nd Version},
url = {https://blogs.rstudio.com/tensorflow/posts/2022-05-31-deep-learning-with-R-2e/},
yr = {2022}
}