dlwpt code
1.0.0
Repositori ini berisi kode untuk buku Deep Learning dengan PyTorch oleh Eli Stevens, Luca Antiga, dan Thomas Viehmann, yang diterbitkan oleh Manning Publications.
Situs Manning untuk buku ini adalah: https://www.manning.com/books/deep-learning-with-pytorch
Buku ini juga dapat dibeli di Amazon: https://amzn.to/38Iwrff (tautan afiliasi; sesuai aturan: "Sebagai Rekanan Amazon, saya memperoleh penghasilan dari pembelian yang memenuhi syarat.")
Kesalahan untuk buku ini dapat ditemukan di situs web manning, atau di https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html
Buku ini bertujuan untuk memberikan dasar-dasar pembelajaran mendalam dengan PyTorch dan menunjukkannya dalam tindakan dalam proyek kehidupan nyata. Kami berusaha keras untuk memberikan konsep-konsep kunci yang mendasari pembelajaran mendalam dan menunjukkan bagaimana PyTorch menempatkannya di tangan para praktisi. Dalam buku ini, kami mencoba memberikan intuisi yang akan mendukung eksplorasi lebih lanjut, dan dengan melakukan hal tersebut kami secara selektif menyelidiki detail untuk menunjukkan apa yang terjadi di balik tirai. Pembelajaran Mendalam dengan PyTorch tidak mencoba menjadi buku referensi; sebaliknya, ini adalah pendamping konseptual yang memungkinkan Anda menjelajahi materi lebih lanjut secara online secara mandiri. Oleh karena itu, kami fokus pada sebagian fitur yang ditawarkan oleh PyTorch. Ketidakhadiran yang paling menonjol adalah jaringan saraf berulang, tetapi hal yang sama juga berlaku untuk bagian lain dari API PyTorch.
Buku ini ditujukan bagi pengembang yang sedang atau bertujuan untuk menjadi praktisi pembelajaran mendalam dan ingin mengenal PyTorch. Kami membayangkan pembaca kami pada umumnya adalah seorang ilmuwan komputer, ilmuwan data, atau insinyur perangkat lunak, atau mahasiswa sarjana atau lebih baru dalam program terkait. Karena kami tidak mengasumsikan pengetahuan sebelumnya tentang pembelajaran mendalam, beberapa bagian di paruh pertama buku ini mungkin merupakan pengulangan konsep yang sudah diketahui oleh praktisi berpengalaman. Bagi para pembaca, kami berharap eksposisi ini akan memberikan sudut pandang yang sedikit berbeda terhadap topik-topik yang sudah diketahui. Kami berharap pembaca memiliki pengetahuan dasar tentang pemrograman imperatif dan berorientasi objek. Karena buku ini menggunakan Python, Anda pasti sudah familiar dengan sintaksis dan lingkungan pengoperasiannya. Mengetahui cara menginstal paket Python dan menjalankan skrip pada platform pilihan Anda adalah suatu prasyarat. Pembaca yang berasal dari C++, Java, JavaScript, Ruby, atau bahasa serupa lainnya akan memiliki waktu yang mudah untuk memahaminya tetapi perlu melakukan beberapa hal di luar buku ini. Demikian pula, mengenal NumPy akan berguna, jika tidak sepenuhnya diwajibkan. Kita juga diharapkan memahami beberapa aljabar linier dasar, seperti mengetahui apa itu matriks dan vektor serta apa itu perkalian titik.
Eli Stevens menghabiskan sebagian besar karirnya bekerja di perusahaan rintisan di Silicon Valley, dengan peran mulai dari insinyur perangkat lunak (membuat peralatan jaringan perusahaan) hingga CTO (mengembangkan perangkat lunak untuk onkologi radiasi). Saat publikasi, dia sedang mengerjakan pembelajaran mesin di industri mobil tanpa pengemudi.
Luca Antiga bekerja sebagai peneliti di bidang teknik biomedis pada tahun 2000-an, dan menghabiskan dekade terakhir sebagai salah satu pendiri dan CTO di sebuah perusahaan teknik AI. Dia telah berkontribusi pada beberapa proyek sumber terbuka, termasuk inti PyTorch. Baru-baru ini dia menjadi salah satu pendiri startup berbasis di AS yang berfokus pada infrastruktur untuk perangkat lunak yang ditentukan data.
Thomas Viehmann adalah pelatih dan konsultan pembelajaran mesin dan khusus PyTorch yang berbasis di Munich, Jerman, dan pengembang inti PyTorch. Dengan gelar PhD di bidang matematika, ia tidak takut dengan teori, namun ia sangat praktis ketika menerapkannya pada tantangan komputasi.
