dlwpt code
1.0.0
Este repositório contém código para o livro Deep Learning with PyTorch de Eli Stevens, Luca Antiga e Thomas Viehmann, publicado pela Manning Publications.
O site da Manning para o livro é: https://www.manning.com/books/deep-learning-with-pytorch
O livro também pode ser adquirido na Amazon: https://amzn.to/38Iwrff (link de afiliado; conforme regras: “Como associado da Amazon, ganho com compras qualificadas”).
A errata do livro pode ser encontrada no site da Manning ou em https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html
Este livro tem como objetivo fornecer os fundamentos do aprendizado profundo com PyTorch e mostrá-los em ação em um projeto da vida real. Nós nos esforçamos para fornecer os conceitos-chave subjacentes ao aprendizado profundo e mostrar como o PyTorch os coloca nas mãos dos profissionais. No livro, tentamos fornecer intuição que apoiará uma exploração mais aprofundada e, ao fazê-lo, nos aprofundamos seletivamente nos detalhes para mostrar o que está acontecendo nos bastidores. Deep Learning with PyTorch não tenta ser um livro de referência; em vez disso, é um companheiro conceitual que permitirá que você explore de forma independente materiais mais avançados online. Como tal, nos concentramos em um subconjunto de recursos oferecidos pelo PyTorch. A ausência mais notável são as redes neurais recorrentes, mas o mesmo se aplica a outras partes da API PyTorch.
Este livro é destinado a desenvolvedores que são ou pretendem se tornar profissionais de aprendizado profundo e que desejam se familiarizar com o PyTorch. Imaginamos que nosso leitor típico seja um cientista da computação, um cientista de dados ou um engenheiro de software, ou um estudante de graduação ou pós-graduação em um programa relacionado. Como não assumimos conhecimento prévio de aprendizagem profunda, algumas partes da primeira metade do livro podem ser uma repetição de conceitos já conhecidos por profissionais experientes. Para esses leitores, esperamos que a exposição forneça um ângulo ligeiramente diferente dos tópicos conhecidos. Esperamos que os leitores tenham conhecimentos básicos de programação imperativa e orientada a objetos. Como o livro usa Python, você deve estar familiarizado com a sintaxe e o ambiente operacional. Saber como instalar pacotes Python e executar scripts na plataforma de sua escolha é um pré-requisito. Os leitores vindos de C++, Java, JavaScript, Ruby ou outras linguagens semelhantes terão facilidade em aprender, mas precisarão se atualizar fora deste livro. Da mesma forma, estar familiarizado com o NumPy será útil, se não for estritamente necessário. Também esperamos familiaridade com alguma álgebra linear básica, como saber o que são matrizes e vetores e o que é um produto escalar.
Eli Stevens passou a maior parte de sua carreira trabalhando em startups no Vale do Silício, com funções que vão desde engenheiro de software (fabricando dispositivos de rede empresarial) até CTO (desenvolvendo software para oncologia de radiação). Na publicação, ele está trabalhando em aprendizado de máquina na indústria de automóveis autônomos.
Luca Antiga trabalhou como investigador em engenharia biomédica nos anos 2000 e passou a última década como cofundador e CTO de uma empresa de engenharia de IA. Ele contribuiu para vários projetos de código aberto, incluindo o núcleo PyTorch. Recentemente, ele foi cofundador de uma startup com sede nos EUA focada em infraestrutura para software definido por dados.
Thomas Viehmann é instrutor e consultor especializado em aprendizado de máquina e PyTorch baseado em Munique, Alemanha, e desenvolvedor principal do PyTorch. Com doutorado em matemática, ele não se assusta com a teoria, mas é bastante prático ao aplicá-la em desafios computacionais.
