dlwpt code
1.0.0
Este repositorio contiene código para el libro Deep Learning with PyTorch de Eli Stevens, Luca Antiga y Thomas Viehmann, publicado por Manning Publications.
El sitio de Manning para el libro es: https://www.manning.com/books/deep-learning-with-pytorch
El libro también se puede comprar en Amazon: https://amzn.to/38Iwrff (enlace de afiliado; según las reglas: "Como asociado de Amazon, gano con compras que califican").
La errata del libro se puede encontrar en el sitio web de Manning o en https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html
Este libro tiene el objetivo de proporcionar las bases del aprendizaje profundo con PyTorch y mostrarlas en acción en un proyecto de la vida real. Nos esforzamos por proporcionar los conceptos clave que subyacen al aprendizaje profundo y mostrar cómo PyTorch los pone en manos de los profesionales. En el libro, intentamos brindar intuición que respalde una mayor exploración y, al hacerlo, profundizamos selectivamente en los detalles para mostrar lo que sucede detrás de la cortina. Deep Learning con PyTorch no pretende ser un libro de referencia; más bien, es un compañero conceptual que le permitirá explorar de forma independiente material más avanzado en línea. Como tal, nos centramos en un subconjunto de las funciones que ofrece PyTorch. La ausencia más notable son las redes neuronales recurrentes, pero lo mismo ocurre con otras partes de la API de PyTorch.
Este libro está dirigido a desarrolladores que son o aspiran a convertirse en profesionales del aprendizaje profundo y que desean familiarizarse con PyTorch. Imaginamos que nuestro lector típico es un científico informático, un científico de datos o un ingeniero de software, o un estudiante universitario o posterior en un programa relacionado. Dado que no asumimos conocimientos previos sobre el aprendizaje profundo, algunas partes de la primera mitad del libro pueden ser una repetición de conceptos que ya conocen los profesionales experimentados. Para aquellos lectores, esperamos que la exposición proporcione un ángulo ligeramente diferente a temas conocidos. Esperamos que los lectores tengan conocimientos básicos de programación imperativa y orientada a objetos. Dado que el libro utiliza Python, usted debe estar familiarizado con la sintaxis y el entorno operativo. Saber cómo instalar paquetes de Python y ejecutar scripts en la plataforma que elija es un requisito previo. A los lectores que utilicen C++, Java, JavaScript, Ruby u otros lenguajes similares les resultará fácil aprenderlo, pero necesitarán ponerse al día fuera de este libro. De manera similar, estar familiarizado con NumPy será útil, si no estrictamente necesario. También esperamos estar familiarizados con algo de álgebra lineal básica, como saber qué son matrices y vectores y qué es un producto escalar.
Eli Stevens ha pasado la mayor parte de su carrera trabajando en nuevas empresas en Silicon Valley, con roles que van desde ingeniero de software (fabricación de dispositivos de redes empresariales) hasta CTO (desarrollo de software para oncología radioterápica). En el momento de la publicación, está trabajando en el aprendizaje automático en la industria de los vehículos autónomos.
Luca Antiga trabajó como investigador en ingeniería biomédica en la década de 2000 y pasó la última década como cofundador y director de tecnología de una empresa de ingeniería de inteligencia artificial. Ha contribuido a varios proyectos de código abierto, incluido el núcleo de PyTorch. Recientemente cofundó una startup con sede en EE. UU. centrada en infraestructura para software definido por datos.
Thomas Viehmann es un formador y consultor especializado en aprendizaje automático y PyTorch con sede en Munich, Alemania, y desarrollador central de PyTorch. Con un doctorado en matemáticas, la teoría no le asusta, pero es completamente práctico a la hora de aplicarla a los desafíos informáticos.
