Weblog Posit AI: Aprendizado profundo e computação científica com R torch: o livro


Primeiro as coisas mais importantes: onde você pode obtê-lo? A partir de hoje, você pode baixar o e-book ou peça um cópia impressa da editora, CRC Press; a edição on-line gratuita é aqui. Não há, até onde eu saiba, nenhum problema em ler a versão on-line – além de um: ela não tem o esquilo que está na capa do livro.

Weblog Posit AI: Aprendizado profundo e computação científica com R torch: o livro

Então, se você é um amante de criaturas incríveis…

O que tem no livro?

Aprendizado profundo e computação científica com R torch tem três partes.

O primeiro abrange os fundamentos indispensáveis: tensores e como manipulá-los; diferenciação automática, condição sine qua non de aprendizagem profunda; otimização, a estratégia que impulsiona a maior parte do que chamamos de inteligência synthetic; e módulos de rede neural, torch's maneira de encapsular o fluxo algorítmico. O foco está em entender os conceitos, em como as coisas “funcionam” – é por isso que fazemos coisas como codificar uma rede neural do zero, algo que você provavelmente nunca fará em uso posterior.

Fundações estabelecidas, a segunda parte – consideravelmente mais considerável – mergulha em aplicações de aprendizado profundo. É aqui que o ecossistema que envolve o núcleo torch entra em evidência. Primeiro, vemos como luz automatiza e simplifica consideravelmente muitas tarefas de programação relacionadas ao treinamento de rede, avaliação de desempenho e previsão. Fazendo uso dos wrappers e facilidades de instrumentação que ele fornece, aprendemos a seguir sobre dois aspectos do aprendizado profundo que nenhuma aplicação do mundo actual pode negligenciar: como fazer modelos generalizarem para dados invisíveis e como acelerar o treinamento. As técnicas que apresentamos continuam reaparecendo ao longo dos casos de uso que então examinamos: classificação e segmentação de imagens, regressão em dados tabulares, previsão de séries temporais e classificação de expressões de fala. É no trabalho com imagens e som que as bibliotecas essenciais do ecossistema, a saber, torchvision e torchaudiofazem sua aparição, para serem usados ​​em funcionalidades dependentes de domínio.

Na terceira parte, vamos além do aprendizado profundo e exploramos como torch pode figurar em aplicações matemáticas ou científicas gerais. Tópicos proeminentes são regressão usando decomposições de matrizes, a Transformada Discreta de Fourier e a Transformada Wavelet. O objetivo principal aqui é entender as ideias subjacentes e por que elas são tão importantes. É por isso que, aqui, assim como na parte um, codificamos algoritmos do zero, antes de introduzir a velocidade otimizada torch equivalentes.

Agora que você conhece o conteúdo do livro, você pode estar se perguntando:

Para quem é?

Em suma, Deep Studying e Computação Científica com R torch – sendo o único texto abrangente, até o momento em que escrevo, sobre este tópico – aborda um público amplo. A esperança é que haja algo nele para todos (bem, para a maioria).

Se você nunca usou torchnem qualquer outra estrutura de aprendizado profundo, começar do começo é a coisa certa a fazer. Nenhum conhecimento prévio de aprendizado profundo é esperado. A suposição é que você saiba um pouco de R básico e esteja familiarizado com termos de aprendizado de máquina, como aprendizado supervisionado vs. não supervisionado, conjunto de treinamento-validação-teste, and so forth. Tendo trabalhado na parte um, você descobrirá que as partes dois e três – independentemente – continuam exatamente de onde você parou.

Se, por outro lado, você tem experiência básica com torch e/ou outras estruturas de diferenciação automática, e está mais interessado em aprendizado profundo aplicado, você pode estar inclinado a dar uma olhada rápida na parte um e ir para a parte dois, verificando os aplicativos que mais lhe interessam (ou apenas navegar, buscando inspiração). Os exemplos dependentes de domínio foram escolhidos para serem bastante genéricos e diretos, de modo a ter o código generalizado para uma ampla gama de aplicativos semelhantes.

Por fim, se foi a “computação científica” no título que chamou sua atenção, certamente espero que a parte três tenha algo para você! (Como autor do livro, posso dizer que escrever esta parte foi uma experiência extremamente satisfatória e incrivelmente envolvente.) A parte três realmente é onde faz sentido falar de “navegação” – seus tópicos dificilmente dependem uns dos outros, basta procurar o que lhe agrada.

Para finalizar, então:

O que eu ganho?

Em termos de conteúdo, acho que posso considerar essa questão respondida. Se houvesse outros livros sobre torch com R, eu provavelmente enfatizaria duas coisas: Primeiro, o foco já mencionado em conceitos e entendimento. Segundo, a utilidade dos exemplos de código. Ao usar conjuntos de dados prontos para uso e executar os tipos usuais de tarefas, escrevemos código adequado para servir como um começo em seus próprios aplicativos – fornecendo modelos prontos para copiar e colar e adaptar a um propósito.

Obrigado pela leitura e espero que você goste do livro!

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *