使用 PyTorch 平装书构建神经网络模型的实用方法 – 2018 年 2 月 23 日,作者:Vishnu Subramanian
如果您想深入学习 PyTorch,请不要再犹豫了。作者成功地展示了读者可以轻松使用的 PyTorch 实用知识。
在 40 天内像 AlphaGo Zero 一样从零开始掌握深度学习
作者 Benjamin Young
Pytoch 是一个非常强大、灵活且流行的深度学习框架,但如果您没有太多深度学习背景,学习曲线可能会很陡峭。本书将通过许多有趣的现实世界示例,帮助您从零开始学习和掌握最新的 pytorch 深度学习技术。它涵盖了许多最先进的深度学习技术,例如:卷积神经网络 (CNN)、循环神经网络 (RNN)、Seq2Seq 模型、词嵌入、连接主义时间分类 (CTC)、自动编码器、动态记忆网络 (DMN) )、Deep-Q-learning(DQN/DDQN)、Monte Carlo Tree search (MCTS)、Alphago/Alphazero 等。这本书也可以作为如何在现实生活中使用和理解深度学习的快速指南。
8. 使用 PyTorch 1.0 进行强化学习
探索使用 PyTorch 1.0 平装书构建自学习系统的高级深度学习技术——Armando Fandango 2020 年 2 月 11 日
本书首先向您介绍主要概念,这些概念将帮助您了解强化学习算法的工作原理。然后,您将探索各种主题,这些主题侧重于强化学习领域中最重要和最实用的细节。这本书还将提高您对不同强化学习方法及其算法的了解。随着您的进步,您将涵盖多臂老虎机问题、马尔可夫决策过程 (MDP) 和 Q 学习等概念,这将进一步磨练您开发自学代理的技能。本书的目标是帮助你理解为什么每个 RL 算法以及如何在构建这些代理中发挥重要作用。使用 PyTorch 1 进行动手强化学习。0 还将为您提供有关实施 PyTorch 功能和服务以涵盖一系列 RL 任务的见解。在此之后,您将探索 RL 在企业应用程序的不同部分(例如 NLP、时间序列和计算机视觉)中的使用深度。在结束最后几章时,您将介绍使用流行的 OpenAI Gym 工具包中的环境评估算法的部分。
快速轻松地构建 CNN、RNN、GAN、强化学习等平装本 – 2019 年 4 月 30 日,作者 Sherin Thomas,Sudhanshu Passi
PyTorch Deep Learning Hands-On 展示了如何在 PyTorch 中实现主要的深度学习架构。它涵盖了神经网络、计算机视觉、CNN、自然语言处理 (RNN)、GAN 和强化学习。您还将使用 PyTorch 框架构建深度学习工作流程,将 Python 构建的模型迁移到高效的 TorchScript,并使用最复杂的可用工具部署到生产环境。
这是我开始学习机器学习时希望拥有的书之一。当然,我希望 PyTorch 的当前版本也在那时。如果您是初学者,它肯定会让您正确入门,如果您是专家,它将是一个很好的复习,如果您的知识只包括一些从数据中提取答案的现代方法,它将扩大您对机器学习技术的知识。
学习在 Python 平装书中训练和部署神经网络模型 - 2018 年 12 月 24 日,David Julian
本书将向您介绍 PyTorch 深度学习库,并教您如何轻松训练深度学习模型。我们将使用 PyTorch 搭建深度学习环境,然后训练和部署不同类型的深度学习模型,例如 CNN、RNN 和自动编码器。
这本书作为 PyTorch 的入门书非常好。我会给它五颗星,但不幸的是,RNN 章节很难理解。
11. Python 深度学习
使用 PyTorch、Keras 和 TensorFlow 探索深度学习技术和神经网络架构,第 2 版平装本 – 2019 年 1 月 16 日,
作者:Ivan Vasilev(作者)、Daniel Slater(作者)、Gianmario Spacagna(作者)、Peter Roelants(作者)、Valentino佐卡 (作者)
这本书很好地介绍了深度学习和强化学习。首先,它很好地详细解释了神经网络的基础知识。然后,它以易于理解的方式逐步引入更复杂的模型,例如卷积和循环网络。
计算机视觉部分内容全面,理论知识和实践知识很好地结合在一起——尤其是关于残差网络、目标检测和生成网络的部分。
关于自然语言处理的章节很好,但试图在很小的篇幅中介绍大量的材料。解释得更详细一些会更好,尤其是注意力模型和语音识别部分。
有趣的是,这本书还包括对强化学习的介绍——它为该领域的进一步研究奠定了良好的基础。
从 Python 开发人员到高效的自然语言处理工程师平装本 – Nirant Kasliwal 2018 年 11 月 30 日
本书将带您从 NLP 的基础知识到构建文本处理应用程序。我们首先介绍基本词汇以及构建 NLP 应用程序的工作流程。
我们使用工业级 NLP 工具来清理和预处理文本、使用语言学自动生成问题和答案、文本嵌入、文本分类器以及构建聊天机器人。通过每个项目,您将学习 NLP 的新概念。您将学习实体识别、词性标记和 Q 和 A 的依赖解析。我们使用文本嵌入来聚类文档和制作聊天机器人,然后使用 scikit-learn 构建分类器。
使用问题解决方法快速了解 Pytorch 的深度学习概念。从 PyTorch 的介绍开始,您将熟悉张量,这是一种用于计算算术运算并了解它们如何操作的数据结构。然后,您将使用 PyTorch 查看概率分布并熟悉其概念。此外,您将深入了解 PyTorch 的转换和图形计算。在此过程中,您将了解神经网络实现和张量微分面临的常见问题,并为它们找到最佳解决方案。
如果对Python有兴趣,想了解更多的Python以及AIoT知识,解决测试问题,以及入门指导,帮你解决学习Python中遇到的困惑,我们这里有技术高手。如果你正在找工作或者刚刚学校出来,又或者已经工作但是经常觉得难点很多,觉得自己Python方面学的不够精想要继续学习的,想转行怕学不会的, 都可以加入我们,可领取最新Python大厂面试资料和Python爬虫、人工智能、学习资料!**微信公众号【Python大本营】**等你来玩奥~
基于使用 Python 平装书从数据中学习的智能算法设计和实施投资策略 – Stefan Jansen 2018 年 12 月 31 日
本书展示了如何通过 API 或网络抓取来访问市场、基本面和替代数据,并提供了一个评估替代数据的框架。您将在时间序列上下文中练习从模型设计、损失度量定义和参数调整到性能评估的 ML 工作流程。您将了解 ML 算法,例如贝叶斯和集成方法以及流形学习,并将知道如何使用 pandas、statsmodels、sklearn、PyMC3、xgboost、lightgbm 和 catboost 训练和调整这些模型。本书还教您如何使用 spaCy 从文本数据中提取特征、对新闻进行分类和分配情绪分数,以及使用 gensim 对主题进行建模并从财务报告中学习词嵌入。您还将构建和评估神经网络,包括 RNN 和 CNN,
15.开始使用基于 Python 的深度学习进行异常检测:使用 Keras 和 PyTorch
本书首先解释了异常检测是什么、它的用途及其重要性。在介绍了在 Python 中使用 Scikit-Learn 进行异常检测的统计和传统机器学习方法之后,本书介绍了深度学习,详细介绍了如何在 Keras 和 PyTorch 中构建和训练深度学习模型,然后将重点转移到应用程序上以下深度学习模型用于异常检测:各种类型的自动编码器、受限玻尔兹曼机、RNN 和 LSTM 以及时间卷积网络。本书探讨了无监督和半监督异常检测以及基于时间序列的异常检测的基础知识。
一、Python所有方向的学习路线
Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。
二、学习软件
工欲善其事必先利其器。学习Python常用的开发软件都在这里了,给大家节省了很多时间。
三、入门学习视频
我们在看视频学习的时候,不能光动眼动脑不动手,比较科学的学习方法是在理解之后运用它们,这时候练手项目就很适合了。
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!