Deep Learning avec Keras et TensorFlow - 3e éd.. Mise en oeuvre et cas concrets
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format PDF protégé est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
- Non compatible avec un achat hors France métropolitaine
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- Nombre de pages608
- FormatPDF
- ISBN978-2-10-086989-3
- EAN9782100869893
- Date de parution20/03/2024
- Copier CollerNon Autorisé
- Protection num.Adobe DRM
- Taille14 Mo
- Infos supplémentairespdf
- ÉditeurDunod
Résumé
L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. La 3e édition de cet ouvrage de référence, très remaniée, tient compte des récentes avancées. Construire et entraîner de nombreuses architectures de réseaux de neurones pour classification et régression à l'aide de Keras et TensorFlow 2.
Découvrir les mécanismes d'attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, la détection d'objets, la segmentation sémantique, etc. Explorer Keras, l'API officielle de haut niveau pour TensorFlow 2, désormais compatible également avec PyTorch et JAX. Entraîner de grands modèles à l'aide de TF Data, de l'API de stratégies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
Passer à l'échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles. Créer des agents d'apprentissage autonomes avec l'apprentissage par renforcement profond. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l'adresse suivante : https://github.com/ageron/handson-ml3
Découvrir les mécanismes d'attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, la détection d'objets, la segmentation sémantique, etc. Explorer Keras, l'API officielle de haut niveau pour TensorFlow 2, désormais compatible également avec PyTorch et JAX. Entraîner de grands modèles à l'aide de TF Data, de l'API de stratégies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
Passer à l'échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles. Créer des agents d'apprentissage autonomes avec l'apprentissage par renforcement profond. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l'adresse suivante : https://github.com/ageron/handson-ml3
L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. La 3e édition de cet ouvrage de référence, très remaniée, tient compte des récentes avancées. Construire et entraîner de nombreuses architectures de réseaux de neurones pour classification et régression à l'aide de Keras et TensorFlow 2.
Découvrir les mécanismes d'attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, la détection d'objets, la segmentation sémantique, etc. Explorer Keras, l'API officielle de haut niveau pour TensorFlow 2, désormais compatible également avec PyTorch et JAX. Entraîner de grands modèles à l'aide de TF Data, de l'API de stratégies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
Passer à l'échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles. Créer des agents d'apprentissage autonomes avec l'apprentissage par renforcement profond. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l'adresse suivante : https://github.com/ageron/handson-ml3
Découvrir les mécanismes d'attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, la détection d'objets, la segmentation sémantique, etc. Explorer Keras, l'API officielle de haut niveau pour TensorFlow 2, désormais compatible également avec PyTorch et JAX. Entraîner de grands modèles à l'aide de TF Data, de l'API de stratégies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
Passer à l'échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles. Créer des agents d'apprentissage autonomes avec l'apprentissage par renforcement profond. Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l'adresse suivante : https://github.com/ageron/handson-ml3
