Deep Learning with PyTorch Step-by-Step: A Beginner's Guide - Volume I: Fundamentals (eBook)

Deep Learning with PyTorch Step-by-Step: A Beginner's Guide - Volume I: Fundamentals (eBook)

Daniel Voigt Godoy
Daniel Voigt Godoy
Prezzo:
€ 3,95
Compra EPUB
Prezzo:
€ 3,95
Compra EPUB

Formato

:
EPUB
Cloud: Scopri di più
Compatibilità: Tutti i dispositivi
Lingua: en
Editore: Daniel Voigt Godoy
Codice EAN: 9798230900696
Anno pubblicazione: 2025
Scopri QUI come leggere i tuoi eBook

Note legali

NOTE LEGALI

a) Garanzia legale, Pagamenti, Consegne, Diritto di recesso
b) Informazioni sul prezzo
Il prezzo barrato corrisponde al prezzo di vendita al pubblico al lordo di IVA e al netto delle spese di spedizione
Il prezzo barrato dei libri italiani corrisponde al prezzo di copertina.
I libri in inglese di Libraccio sono di provenienza americana o inglese.
Libraccio riceve quotidianamente i prodotti dagli USA e dalla Gran Bretagna, pagandone i costi di importazione, spedizione in Italia ecc.
Il prezzo in EURO è fissato da Libraccio e, in alcuni casi, può discostarsi leggermente dal cambio dollaro/euro o sterlina/euro del giorno. Il prezzo che pagherai sarà quello in EURO al momento della conferma dell'ordine.
In ogni caso potrai verificare la convenienza dei nostri prezzi rispetto ad altri siti italiani e, in moltissimi casi, anche rispetto all'acquisto su siti americani o inglesi.
c) Disponibilità
I termini relativi alla disponibilità dei prodotti sono indicati nelle Condizioni generali di vendita.

Disponibilità immediata
L'articolo è immediatamente disponibile presso Libraccio e saremo in grado di procedere con la spedizione entro un giorno lavorativo.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Disponibile in giorni o settimane (ad es. "3-5-10 giorni", "4-5 settimane" )
L'articolo sarà disponibile entro le tempistiche indicate, necessarie per ricevere l'articolo dai nostri fornitori e preparare la spedizione.
Nota: La disponibilità prevista fa riferimento a singole disponibilità.

Prenotazione libri scolastici
Il servizio ti permette di prenotare libri scolastici nuovi che risultano non disponibili al momento dell'acquisto.

Attualmente non disponibile
L'articolo sarà disponibile ma non sappiamo ancora quando. Inserisci la tua mail dalla scheda prodotto attivando il servizio Libraccio “avvisami” e sarai contattato quando sarà ordinabile.

Difficile reperibilità
Abbiamo dei problemi nel reperire il prodotto. Il fornitore non ci dà informazioni sulla sua reperibilità, ma se desideri comunque effettuare l'ordine, cercheremo di averlo nei tempi indicati. Se non sarà possibile, ti avvertiremo via e-mail e l'ordine verrà cancellato.
Chiudi

Descrizione

Revised for PyTorch 2.x! Why this book? Are you looking for a book where you can learn about deep learning and PyTorch without having to spend hours deciphering cryptic text and code? A technical book that's also easy and enjoyable to read? This is it! How is this book different? First, this book presents an easy-to-follow, structured, incremental, and from-first-principles approach to learning PyTorch. Second, this is a rather informal book: It is written as if you, the reader, were having a conversation with Daniel, the author. His job is to make you understand the topic well, so he avoids fancy mathematical notation as much as possible and spells everything out in plain English. What will I learn? In this first volume of the series, you'll be introduced to the fundamentals of PyTorch: autograd, model classes, datasets, data loaders, and more. You will develop, step-by-step, not only the models themselves but also your understanding of them. By the time you finish this book, you'll have a thorough understanding of the concepts and tools necessary to start developing and training your own models using PyTorch. If you have absolutely no experience with PyTorch, this is your starting point. What's Inside Gradient descent and PyTorch's autograd Training loop, data loaders, mini-batches, and optimizers Binary classifiers, cross-entropy loss, and imbalanced datasets Decision boundaries, evaluation metrics, and data separability