Deep learning dla programistów: budowanie aplikacji AI za pomocą fastai i PyTorch
Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii bi...
Gespeichert in:
| Beteiligte Personen: | , |
|---|---|
| Weitere beteiligte Personen: | |
| Format: | Elektronisch E-Book |
| Sprache: | Polnisch |
| Veröffentlicht: |
Gliwice
Helion
[2021]
|
| Ausgabe: | [First edition]. |
| Schlagwörter: | |
| Links: | https://learning.oreilly.com/library/view/-/9788328375109/?ar |
| Zusammenfassung: | Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką̜ wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia g̜łębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach. |
| Beschreibung: | Includes index |
| Umfang: | 1 Online-Ressource (544 Seiten) illustrations |
| ISBN: | 9788328375109 8328375109 |
Internformat
MARC
| LEADER | 00000cam a22000002c 4500 | ||
|---|---|---|---|
| 001 | ZDB-30-ORH-093387873 | ||
| 003 | DE-627-1 | ||
| 005 | 20240228122014.0 | ||
| 007 | cr uuu---uuuuu | ||
| 008 | 230626s2021 xx |||||o 00| ||pol c | ||
| 020 | |a 9788328375109 |c electronic bk. |9 978-83-283-7510-9 | ||
| 020 | |a 8328375109 |c electronic bk. |9 83-283-7510-9 | ||
| 035 | |a (DE-627-1)093387873 | ||
| 035 | |a (DE-599)KEP093387873 | ||
| 035 | |a (ORHE)9788328375109 | ||
| 035 | |a (DE-627-1)093387873 | ||
| 040 | |a DE-627 |b ger |c DE-627 |e rda | ||
| 041 | |a pol | ||
| 082 | 0 | |a 006.3/12 |2 23/eng/20230614 | |
| 100 | 1 | |a Howard, Jeremy |e VerfasserIn |4 aut | |
| 240 | 1 | 0 | |a Deep learning for coders with fastai and PyTorch |
| 245 | 1 | 0 | |a Deep learning dla programistów |b budowanie aplikacji AI za pomocą fastai i PyTorch |c Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz |
| 250 | |a [First edition]. | ||
| 264 | 1 | |a Gliwice |b Helion |c [2021] | |
| 300 | |a 1 Online-Ressource (544 Seiten) |b illustrations | ||
| 336 | |a Text |b txt |2 rdacontent | ||
| 337 | |a Computermedien |b c |2 rdamedia | ||
| 338 | |a Online-Ressource |b cr |2 rdacarrier | ||
| 500 | |a Includes index | ||
| 520 | |a Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką̜ wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia g̜łębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach. | ||
| 650 | 0 | |a Data mining | |
| 650 | 0 | |a Natural language processing (Computer science) | |
| 650 | 0 | |a Machine learning | |
| 650 | 0 | |a Python (Computer program language) | |
| 650 | 0 | |a Artificial intelligence | |
| 650 | 4 | |a Exploration de données (Informatique) | |
| 650 | 4 | |a Traitement automatique des langues naturelles | |
| 650 | 4 | |a Apprentissage automatique | |
| 650 | 4 | |a Python (Langage de programmation) | |
| 650 | 4 | |a Intelligence artificielle | |
| 650 | 4 | |a artificial intelligence | |
| 650 | 4 | |a Artificial intelligence | |
| 650 | 4 | |a Data mining | |
| 650 | 4 | |a Machine learning | |
| 650 | 4 | |a Natural language processing (Computer science) | |
| 650 | 4 | |a Python (Computer program language) | |
| 700 | 1 | |a Gugger, Sylvain |e VerfasserIn |4 aut | |
| 700 | 1 | |a Janusz, Jacek |e ÜbersetzerIn |4 trl | |
| 966 | 4 | 0 | |l DE-91 |p ZDB-30-ORH |q TUM_PDA_ORH |u https://learning.oreilly.com/library/view/-/9788328375109/?ar |m X:ORHE |x Aggregator |z lizenzpflichtig |3 Volltext |
| 912 | |a ZDB-30-ORH | ||
| 951 | |a BO | ||
| 912 | |a ZDB-30-ORH | ||
| 049 | |a DE-91 | ||
Datensatz im Suchindex
| DE-BY-TUM_katkey | ZDB-30-ORH-093387873 |
|---|---|
| _version_ | 1829007846786727936 |
| adam_text | |
| any_adam_object | |
| author | Howard, Jeremy Gugger, Sylvain |
| author2 | Janusz, Jacek |
| author2_role | trl |
| author2_variant | j j jj |
| author_facet | Howard, Jeremy Gugger, Sylvain Janusz, Jacek |
| author_role | aut aut |
| author_sort | Howard, Jeremy |
| author_variant | j h jh s g sg |
| building | Verbundindex |
| bvnumber | localTUM |
| collection | ZDB-30-ORH |
| ctrlnum | (DE-627-1)093387873 (DE-599)KEP093387873 (ORHE)9788328375109 |
| dewey-full | 006.3/12 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods |
| dewey-raw | 006.3/12 |
| dewey-search | 006.3/12 |
| dewey-sort | 16.3 212 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | [First edition]. |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>03593cam a22005772c 4500</leader><controlfield tag="001">ZDB-30-ORH-093387873</controlfield><controlfield tag="003">DE-627-1</controlfield><controlfield tag="005">20240228122014.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">230626s2021 xx |||||o 00| ||pol c</controlfield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9788328375109</subfield><subfield code="c">electronic bk.</subfield><subfield code="9">978-83-283-7510-9</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">8328375109</subfield><subfield code="c">electronic bk.</subfield><subfield code="9">83-283-7510-9</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)093387873</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)KEP093387873</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(ORHE)9788328375109</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)093387873</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">pol</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3/12</subfield><subfield code="2">23/eng/20230614</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Howard, Jeremy</subfield><subfield code="e">VerfasserIn</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">Deep learning for coders with fastai and PyTorch</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Deep learning dla programistów</subfield><subfield code="b">budowanie aplikacji AI za pomocą fastai i PyTorch</subfield><subfield code="c">Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">[First edition].</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Gliwice</subfield><subfield code="b">Helion</subfield><subfield code="c">[2021]</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (544 Seiten)</subfield><subfield code="b">illustrations</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Includes index</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką̜ wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia g̜łębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach.</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Data mining</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Natural language processing (Computer science)</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Machine learning</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Python (Computer program language)</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Artificial intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Exploration de données (Informatique)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Traitement automatique des langues naturelles</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Apprentissage automatique</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Python (Langage de programmation)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Intelligence artificielle</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">artificial intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Data mining</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Natural language processing (Computer science)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Python (Computer program language)</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Gugger, Sylvain</subfield><subfield code="e">VerfasserIn</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Janusz, Jacek</subfield><subfield code="e">ÜbersetzerIn</subfield><subfield code="4">trl</subfield></datafield><datafield tag="966" ind1="4" ind2="0"><subfield code="l">DE-91</subfield><subfield code="p">ZDB-30-ORH</subfield><subfield code="q">TUM_PDA_ORH</subfield><subfield code="u">https://learning.oreilly.com/library/view/-/9788328375109/?ar</subfield><subfield code="m">X:ORHE</subfield><subfield code="x">Aggregator</subfield><subfield code="z">lizenzpflichtig</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">BO</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-91</subfield></datafield></record></collection> |
| id | ZDB-30-ORH-093387873 |
| illustrated | Illustrated |
| indexdate | 2025-04-10T09:36:47Z |
| institution | BVB |
| isbn | 9788328375109 8328375109 |
| language | Polish |
| open_access_boolean | |
| owner | DE-91 DE-BY-TUM |
| owner_facet | DE-91 DE-BY-TUM |
| physical | 1 Online-Ressource (544 Seiten) illustrations |
| psigel | ZDB-30-ORH TUM_PDA_ORH ZDB-30-ORH |
| publishDate | 2021 |
| publishDateSearch | 2021 |
| publishDateSort | 2021 |
| publisher | Helion |
| record_format | marc |
| spelling | Howard, Jeremy VerfasserIn aut Deep learning for coders with fastai and PyTorch Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz [First edition]. Gliwice Helion [2021] 1 Online-Ressource (544 Seiten) illustrations Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Includes index Uczenie głębokie zmienia oblicze wielu branż. Ta rewolucja już się zaczęła, jednak potencjał AI i sieci neuronowych jest znacznie większy. Korzystamy więc dziś z osiągnięć komputerowej analizy obrazu i języka naturalnego, wspierania badań naukowych czy budowania skutecznych strategii biznesowych - wchodzimy do świata, który do niedawna był dostępny głównie dla naukowców. W konsekwencji trudno o źródła wiedzy, które równocześnie byłyby przystępne dla zwykłych programistów i miały wysoką̜ wartość merytoryczną. Problem polega na tym, że bez dogłębnego zrozumienia działania algorytmów uczenia głębokiego trudno tworzyć dobre aplikacje. Oto praktyczny i przystępny przewodnik po koncepcjach uczenia g̜łębokiego, napisany tak, aby ułatwić zrozumienie najnowszych technik w tej dziedzinie bez znajomości wyższej matematyki. Książka daje znakomite podstawy uczenia głębokiego, a następnie stopniowo wprowadza zagadnienia sposobu działania modeli, ich budowy i trenowania. Pokazano w niej również praktyczne techniki przekształcania modeli w działające aplikacje. Znalazło się tu mnóstwo wskazówek ułatwiających poprawianie dokładności, szybkości i niezawodności modeli. Nie zabrakło też informacji o najlepszych sposobach wdrażania od podstaw algorytmów uczenia głębokiego i stosowaniu ich w najnowocześniejszych rozwiązaniach. Data mining Natural language processing (Computer science) Machine learning Python (Computer program language) Artificial intelligence Exploration de données (Informatique) Traitement automatique des langues naturelles Apprentissage automatique Python (Langage de programmation) Intelligence artificielle artificial intelligence Gugger, Sylvain VerfasserIn aut Janusz, Jacek ÜbersetzerIn trl |
| spellingShingle | Howard, Jeremy Gugger, Sylvain Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch Data mining Natural language processing (Computer science) Machine learning Python (Computer program language) Artificial intelligence Exploration de données (Informatique) Traitement automatique des langues naturelles Apprentissage automatique Python (Langage de programmation) Intelligence artificielle artificial intelligence |
| title | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch |
| title_alt | Deep learning for coders with fastai and PyTorch |
| title_auth | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch |
| title_exact_search | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch |
| title_full | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz |
| title_fullStr | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz |
| title_full_unstemmed | Deep learning dla programistów budowanie aplikacji AI za pomocą fastai i PyTorch Jeremy Howard, Sylvain Gugger ; tłumaczenie, Jacek Janusz |
| title_short | Deep learning dla programistów |
| title_sort | deep learning dla programistow budowanie aplikacji ai za pomoca fastai i pytorch |
| title_sub | budowanie aplikacji AI za pomocą fastai i PyTorch |
| topic | Data mining Natural language processing (Computer science) Machine learning Python (Computer program language) Artificial intelligence Exploration de données (Informatique) Traitement automatique des langues naturelles Apprentissage automatique Python (Langage de programmation) Intelligence artificielle artificial intelligence |
| topic_facet | Data mining Natural language processing (Computer science) Machine learning Python (Computer program language) Artificial intelligence Exploration de données (Informatique) Traitement automatique des langues naturelles Apprentissage automatique Python (Langage de programmation) Intelligence artificielle artificial intelligence |
| work_keys_str_mv | AT howardjeremy deeplearningforcoderswithfastaiandpytorch AT guggersylvain deeplearningforcoderswithfastaiandpytorch AT januszjacek deeplearningforcoderswithfastaiandpytorch AT howardjeremy deeplearningdlaprogramistowbudowanieaplikacjiaizapomocafastaiipytorch AT guggersylvain deeplearningdlaprogramistowbudowanieaplikacjiaizapomocafastaiipytorch AT januszjacek deeplearningdlaprogramistowbudowanieaplikacjiaizapomocafastaiipytorch |