|
|
PyTorch Machine Learning: Practical Guide to Building, Training & Deploying Deep Learning Models with Python (eBook)
|
|
|
PyTorch Machine Learning: Practical Guide to Building, Training & Deploying Deep Learning Models with Python (eBook)
|
|
Ricardo Tellero
|
|
Ricardo Tellero
|
|
|
Prezzo:
€ 8,49
Compra EPUB
|
Prezzo:
€ 8,49
Compra EPUB
|
|
|
Formato :
|
EPUB |
|
Cloud:
|
Sì Scopri di più |
|
Compatibilità:
|
Tutti i dispositivi
|
|
Lingua:
|
Inglese |
|
Editore:
|
Pragma Press |
|
Codice EAN:
|
9798233033001 |
|
Anno pubblicazione:
|
2026 |
Scopri QUI come leggere i tuoi eBook |
|
 | Abbonati a Kobo Plus per avere accesso illimitato a migliaia di eBook |
|
Note legali
NOTE LEGALI
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
Master PyTorch and Build Production-Ready Deep Learning Models from Scratch to Deployment
Complete PyTorch curriculum covering tensors, neural networks, CNNs, RNNs, Transformers, GANs, and reinforcement learning
Production deployment skills including model optimization, quantization, ONNX export, TorchScript, and serving with Flask & Docker
Real-world projects featuring image segmentation (U-Net), object detection (YOLO), NLP with Transformers, and GANs
Advanced techniques including mixed precision training, distributed training, hyperparameter tuning with Optuna, and explainable AI
Book Description
Transform your Python skills into deep learning expertise with this comprehensive guide to PyTorch. Whether you're building your first neural network or deploying production AI systems, this book provides everything you need to succeed.
Starting with PyTorch fundamentals—tensors, autograd, and neural network basics—you'll quickly progress to building sophisticated models using the nn.Module class, custom layers, and advanced architectures. Master data handling with PyTorch's dataset and dataloader classes, implement data augmentation, and leverage transfer learning with pre-trained models.
Dive deep into convolutional neural networks for computer vision tasks and recurrent networks (LSTMs, GRUs) with attention mechanisms for sequence processing. Learn to implement complete training loops with proper loss computation, backpropagation, optimization algorithms, learning rate schedules, and regularization techniques.
Take your skills further with advanced topics including custom loss functions and optimizers, mixed precision training, distributed training across multiple GPUs, and automated hyperparameter tuning using grid search, Bayesian optimization, and Optuna. Master model evaluation with cross-validation, confusion matrices, ROC curves, and gradient-based interpretation methods.
The book emphasizes production-ready skills with dedicated coverage of model deployment. Learn quantization and pruning for model optimization, export models using ONNX and TorchScript, and serve them in production environments using Flask and Docker.
Apply your knowledge through hands-on projects: build image segmentation systems with U-Net, implement object detection with YOLO, create NLP applications using Transformers, develop generative models with GANs, and explore reinforcement learning applications.
What You Will Learn
Build neural networks from scratch using PyTorch tensors, autograd, and nn.Module
Implement CNNs for image classification and RNNs/LSTMs/GRUs for sequence tasks
Master data preprocessing, augmentation, and transfer learning techniques
Create custom layers, loss functions, and optimization algorithms
Train models efficiently with mixed precision and distributed training
Optimize hyperparameters using Optuna, grid search, and Bayesian methods
Deploy production models with quantization, ONNX, TorchScript, Flask, and Docker
Build advanced projects: U-Net segmentation, YOLO detection, Transformers, GANs, and RL
Leverage TorchVision, TorchText, TorchAudio, and PyTorch Lightning
Debug, profile, and optimize PyTorch code for maximum performance
Who This Book Is For
Python programmers transitioning to deep learning, data scientists adding neural networks to their toolkit, machine learning practitioners learning PyTorch, computer science students seeking practical AI skills, and software engineers building production ML systems.
|
|
|
|
