fastbook
v0.0.19
Anglais / espagnol / coréen / chinois / bengali / indonésien / italien / portugais / vietnamien / japonais
Ces cahiers couvrent une introduction à Deep Learning, Fastai et Pytorch. Fastai est une API en couches pour l'apprentissage en profondeur; Pour plus d'informations, consultez le Fastai Paper. Tout dans ce dépôt est le droit d'auteur Jeremy Howard et Sylvain Gugger, 2020. Une sélection de chapitres est disponible pour lire en ligne ici.
Les cahiers de ce dépôt sont utilisés pour un MOOC et forment la base de ce livre, qui est actuellement disponible à l'achat. Il n'a pas les mêmes restrictions GPL qui figurent sur ce référentiel.
Le code dans les ordinateurs portables et les fichiers Python .py est couvert par la licence GPL V3; Voir le fichier de licence pour plus de détails. Le reste (y compris toutes les cellules Markdown dans les ordinateurs portables et autres prose) n'est pas concédé sous licence pour toute redistribution ou changement de format ou de médium, à part la fabrication de copies des cahiers ou la fourniture de ce référentiel pour votre propre usage privé. Aucune utilisation commerciale ou de diffusion n'est autorisée. Nous mettons ces documents disponibles gratuitement pour vous aider à apprendre l'apprentissage en profondeur, veuillez donc respecter nos droits d'auteur et ces restrictions.
Si vous voyez quelqu'un héberger une copie de ces documents ailleurs, veuillez lui faire savoir que leurs actions ne sont pas autorisées et peuvent conduire à une action en justice. De plus, ils blesseraient la communauté parce que nous ne publierons probablement pas des documents supplémentaires de cette manière si les gens ignorent nos droits d'auteur.
Au lieu de cloner ce dépôt et de l'ouvrir sur votre machine, vous pouvez lire et travailler avec les ordinateurs portables à l'aide de Google Colab. Il s'agit de l'approche recommandée pour les gens qui ne font que commencer - il n'est pas nécessaire de configurer un environnement de développement Python sur votre propre machine, car vous pouvez simplement travailler directement dans votre navigateur Web.
Vous pouvez ouvrir n'importe quel chapitre du livre dans Colab en cliquant sur l'un de ces liens: Introduction à Jupyter | Chapitre 1, Intro | Chapitre 2, production | Chapitre 3, éthique | Chapitre 4, Basics MNIST | Chapitre 5, Races d'animaux de compagnie | Chapitre 6, multi-catégories | Chapitre 7, dimensionnement et TTA | Chapitre 8, collaboration | Chapitre 9, Tabulaire | Chapitre 10, NLP | Chapitre 11, API de niveau intermédiaire | Chapitre 12, NLP Deep Dive | Chapitre 13, Convolutions | Chapitre 14, Resnet | Chapitre 15, Détails de l'arc | Chapitre 16, Optimisateurs et rappels | Chapitre 17, Fondations | Chapitre 18, Gradcam | Chapitre 19, apprenant | Chapitre 20, conclusion
Si vous faites des demandes de traction à ce dépôt, vous attribuez le droit d'auteur de ce travail à Jeremy Howard et Sylvain Gugger. (De plus, si vous effectuez de petites modifications à l'orthographe ou au texte, veuillez spécifier le nom du fichier et une très brève description de ce que vous réparez. Il est difficile pour les critiques de savoir quelles corrections ont déjà été apportées. Merci.)
Si vous souhaitez citer le livre, vous pouvez utiliser ce qui suit:
@book{howard2020deep,
title={Deep Learning for Coders with Fastai and Pytorch: AI Applications Without a PhD},
author={Howard, J. and Gugger, S.},
isbn={9781492045526},
url={https://books.google.no/books?id=xd6LxgEACAAJ},
year={2020},
publisher={O'Reilly Media, Incorporated}
}
