Lo primero es lo primero: ¿Dónde puedes conseguirlo? A partir de hoy puedes descargar el libro electrónico o pedir un imprimir copia del editor, CRC Press; la edición en línea gratuita es aquí. Hasta donde yo sé, no hay ningún problema al leer la versión en línea, además de uno: no tiene la ardilla que está en la portada del libro.
Entonces, si eres amante de las criaturas asombrosas…
¿Qué hay en el libro?
Aprendizaje profundo y computación científica con R torch tiene tres partes.
El primero cubre los conceptos básicos indispensables: tensores y cómo manipularlos; diferenciación automática, la condición sine qua non de aprendizaje profundo; la optimización, la estrategia que impulsa gran parte de lo que llamamos inteligencia synthetic; y módulos de redes neuronales, torch's forma de encapsular el flujo algorítmico. La atención se centra en comprender los conceptos, en cómo “funcionan” las cosas; es por eso que hacemos cosas como codificar una crimson neuronal desde cero, algo que probablemente nunca harás en un uso posterior.
Sentadas las bases, la segunda parte, considerablemente más extensa, se sumerge en las aplicaciones de aprendizaje profundo. Es aquí donde el ecosistema que rodea el núcleo torch entra en escena. Primero, vemos cómo luz Automatiza y simplifica considerablemente muchas tareas de programación relacionadas con el entrenamiento de redes, la evaluación del rendimiento y la predicción. Haciendo uso de los envoltorios y las instalaciones de instrumentación que proporciona, a continuación aprendemos dos aspectos del aprendizaje profundo que ninguna aplicación del mundo actual puede permitirse el lujo de descuidar: cómo hacer que los modelos se generalicen a datos invisibles y cómo acelerar el entrenamiento. Las técnicas que introducimos siguen reapareciendo en los casos de uso que luego analizamos: clasificación y segmentación de imágenes, regresión de datos tabulares, pronóstico de sequence temporales y clasificación de expresiones de voz. Es al trabajar con imágenes y sonido que las bibliotecas esenciales del ecosistema, a saber, torchvision y torchaudiohacen su aparición, para ser utilizados para funciones dependientes del dominio.
En la tercera parte, vamos más allá del aprendizaje profundo y exploramos cómo torch puede figurar en aplicaciones matemáticas o científicas generales. Los temas destacados son la regresión mediante descomposición matricial, la transformada discreta de Fourier y la transformada Wavelet. El objetivo principal aquí es comprender las concepts subyacentes y por qué son tan importantes. Por eso, aquí, al igual que en la primera parte, codificamos algoritmos desde cero, antes de introducir la velocidad optimizada. torch equivalentes.
Ahora que conoces el contenido del libro, quizás te preguntes:
¿Para quién es?
En definitiva, Aprendizaje Profundo y Computación Científica con R torch – siendo el único texto completo, hasta el momento de escribir este artículo, sobre este tema – se dirige a una amplia audiencia. La esperanza es que haya algo para todos (bueno, para casi todos).
Si nunca has usado torchni ningún otro marco de aprendizaje profundo, lo que hay que hacer es empezar desde el principio. No se esperan conocimientos previos de aprendizaje profundo. Se supone que conoce algo de R básico y está familiarizado con términos de aprendizaje automático, como aprendizaje supervisado o no supervisado, conjunto de pruebas de validación y entrenamiento, and so forth. Después de haber trabajado en la primera parte, descubrirá que las partes dos y tres, de forma independiente, continúan justo donde lo dejó.
Si, por el contrario, tienes experiencia básica con torch y/u otros marcos de diferenciación automática, y está principalmente interesado en el aprendizaje profundo aplicado, es posible que se sienta inclinado a hojear la primera parte y pasar a la segunda, revisando las aplicaciones que más le interesan (o simplemente navegando en busca de inspiración). . Los ejemplos dependientes del dominio se eligieron para que fueran bastante genéricos y sencillos, de modo que el código se generalizara a una amplia gama de aplicaciones similares.
Finalmente, si fue la “computación científica” del título lo que te llamó la atención, ¡espero que la tercera parte tenga algo para ti! (Como autor del libro, puedo decir que escribir esta parte fue una experiencia extremadamente satisfactoria e increíblemente atractiva.) En la tercera parte es realmente donde tiene sentido hablar de “navegación”: sus temas apenas dependen unos de otros, basta con mirar a su alrededor para buscarlos. lo que te atrae.
Para concluir, entonces:
¿Qué obtengo?
En cuanto al contenido, creo que puedo considerar respondida esta pregunta. Si hubiera otros libros sobre torch Con R, probablemente enfatizaría dos cosas: primero, el ya mencionado enfoque en los conceptos y la comprensión. En segundo lugar, la utilidad de los ejemplos de código. Al utilizar conjuntos de datos disponibles en el mercado y realizar los tipos habituales de tareas, escribimos código adecuado para que sirva como punto de partida en sus propias aplicaciones, proporcionando plantillas listas para copiar, pegar y adaptar a un propósito.
¡Gracias por leer y espero que disfrutes el libro!
