Red Hot Cyber
La cybersecurity è condivisione. Riconosci il rischio, combattilo, condividi le tue esperienze ed incentiva gli altri a fare meglio di te.
Redazione RHC : 2 Giugno 2021 08:00
Molti sono convinti che sia possibile imparare online concetti matematici difficili, con tutorial , articoli e video su youtube e questo può essere vero, ma solo in parte. Ci sono delle risorse “cartacee” che risultano di fondamentale importanza sulle reti neurali, che occorre conoscere ed avere a disposizione, inoltre tali risorse sono consigliate dai grandi big di oltre oceano come Google e Facebook.
Oggi parleremo di 8 libri, i libri fondamentali per apprendere i concetti sui quale si muovono le reti neurali profonde di oggi.
Sei un Esperto di Formazione?
Entra anche tu nel Partner program!
Accedi alla sezione riservata ai Creator sulla nostra Academy e scopri i vantaggi riservati ai membri del Partner program.
Per ulteriori informazioni, scrivici ad [email protected] oppure su Whatsapp al 379 163 8765
Supporta RHC attraverso:
Siete pronti?
Questo libro tratta l’intero percorso sull’intelligenza artificiale e si occupa di algoritmi di ricerca, ricerca intelligente fino ad arrivare alla parte più evolutiva dell’IA che include l’apprendimento automatico, il deep learning e il Q-learning del 21 ° secolo. L’indice include questi argomenti in sequenza: Intuition of AI, Search Fundamentals, Advanced Search, Evolutionary Algorithms, Swarm Intelligence: Ants, Swarm Intelligence: Particles, Machine learning, Artificial Neural Networks, Reinforcement with Q-Learning. Con questo libro imparerai le basi e su quali processi si è evoluta l’IA fino ai giorni di oggi. Questo libro è consigliato a coloro che stanno approfondendo l’IA per la prima volta e che sono davvero appassionati di conoscerne l’evoluzione di tutti i suoi aspetti fondamentali e non solo relativamente ad alcuni famosi algoritmi di Machine learning o Deep Learning conosciuti.
Con la rinascita delle reti neurali negli anni 2010, il deep learning è diventato essenziale per i professionisti dell’apprendimento automatico e anche per molti ingegneri del software. Questo libro fornisce un’introduzione completa per i data scientist e gli ingegneri del software con esperienza in machine learning. Inizierai con le basi del deep learning e passerai rapidamente ai dettagli di importanti architetture avanzate, implementando tutto da zero lungo il percorso di apprendimento. Inoltre questo libro è interessante relativamente ai seguenti punti:
Questo libro dà il meglio di sé nell’adempiere a tutti i ruoli sopra menzionati per chiunque abbia poca preparazione sull’apprendimento.
Nella prima parte imparerai i concetti di alto livello e più difficili relativi all’apprendimento profondo. Deep Learning con Python introduce il campo del deep learning utilizzando il linguaggio Python e la potente libreria Keras. Scritto dal creatore di Keras e ricercatore di Google AI, Francois Chollet, questo libro ti farà comprendere i concetti attraverso spiegazioni intuitive ed esempi pratici. Esplorerai concetti stimolanti e ti eserciterai con applicazioni di visione artificiale, elaborazione del linguaggio naturale e modelli generativi. Al termine, avrai le conoscenze e le abilità pratiche per applicare il deep learning nei tuoi progetti.
Il libro è suddiviso nelle seguenti sezioni:
Nella prima parte imparerai il deep learning utilizzando PyTorch. Si tratta di una libreria di apprendimento automatico open source basata sulla libreria Torch, utilizzata per applicazioni come la visione artificiale e l’elaborazione del linguaggio naturale Inizierai addentrandoti nei modelli pre-addestrati per poi nella seconda parte, imparare con degli esempi come svolgere diagnosi relative al cancro del polmone e il suo completo sviluppo. Nella terza parte (la distribuzione), si parlerà per la prima volta dello sviluppo di un’applicazione ML, che consiste nel consentire ad altri di utilizzare il tuo modello nel mondo reale.
Questo libro copre la maggior parte degli argomenti di cui avresti bisogno per sporcarti le mani con l’apprendimento profondo. Questa è una breve descrizione di ciò che imparerai: Introduzione all’apprendimento profondo, concetti fondamentali, introduzione alla rete neurale, discesa del gradiente in dettaglio, visualizzazione delle reti neurali, backpropagation e concetto di apprendimento, batch e regolarizzazione, reti ricorrenti per dati di testo, LSTM e infine apprendimento federato. Se questo non è sufficiente per iniziare, la maggior parte delle altre risorse non lo sono.
Ora vuoi migliorarti con implementazioni pratiche e creare un modello di apprendimento profondo a tutti gli effetti con TensorFlow. Questo libro è suggerito dalla stessa Tensorflow, che di fatto si tratta di Google. In termini di apprendimento di TensorFlow probabilmente è il migliore. Il modo in cui l’autore ha spiegato i concetti è eccezionalmente facile e intuitivo. Ti fa sentire potente ogni volta che finirai una certa sezione. Il libro è un tesoro di conoscenza con più di 800 pagine su argomenti quali: Fondamenti, progetto ML end-to-end, algoritmi e tecniche di apprendimento automatico più comuni dettagliati, rete neurale con Keras, modelli personalizzati e formazione con Tensorflow, computer profondo visione con convoluzioni, modelli di sequenza con RNN e LSTM, modelli di attenzione, apprendimento generativo come Autoencoder e GAN, apprendimento per rinforzo. Imparerai a lavorare parallelamente con questo libro e cambierai completamente il tuo livello di abilità nell’apprendimento automatico e nell’apprendimento profondo nella sua pratica.
Questo libro è una leggenda tra tutti i libri sul deep learning. Il libro non si limita a parlare solo dei concetti di apprendimento profondo, ma per prima cosa sfiora i concetti di matematica applicata (algebra lineare, teoria della probabilità e dell’informazione, calcoli numerici) e le basi dell’apprendimento automatico in termini matematici (gli elementi costitutivi più bassi dell’IA ). Dopo aver superato la Parte 1, arriva la Parte 2 – studio dettagliato sull’apprendimento profondo: pratiche moderne (rete Deep Feedforward, regolarizzazione, ottimizzazione, reti neurali convoluzionali, modellazione di sequenze, applicazioni). Dopo aver approfondito davvero tutti questi concetti e aver creato una logica e una intuizione sull’apprendimento profondo, arriva la Parte 3 (Ricerca sull’apprendimento profondo) che include alcuni degli argomenti di ricerca più popolari nell’apprendimento profondo come (PCA probabilistico e analisi fattoriale, Autoencoder, Modelli per Deep Learning, metodi Monte Carlo, modelli generativi profondi e quant’altro). Questo libro non è per tutti ma per coloro che si concentrano sull’apprendimento profondo e sono disposti a lavorare davvero duramente attraverso tutta la matematica di contorno.
Questo libro è sicuramente un must, non solo in termini di apprendimento profondo ma su tutti gli altri fattori che sono correlati all’apprendimento profondo nella pratica come Model to production, Data ethics e Your deep learning journey (a map a seguire). Queste tre cose sono davvero importanti se speri di diventare un ingegnere del deep learning o qualcosa di anche lontanamente simile. Gli argomenti includono la classificazione delle immagini, modelli di formazione all’avanguardia, approfondimento del filtraggio collaborativo, modellazione tabulare, approfondimento della PNL, poi c’è il modello linguistico da zero, l’architettura delle CNN come ResNets e tutte le altre architetture di apprendimento profondo partendo da zero.
Redazione