Обработка текстов на естественном языке (Natural Language Processing, NLP) - крайне важная задача в области искусственного интеллекта. Успешная реализация делает возможными такие продукты, как Alexa от Amazon и Google Translate. Эта книга поможет вам изучить PyTorch - библиотеку глубокого обучения для языка Python - один из ведущих инструментов для дата-сайентистов и разработчиков ПО, занимающихся NLP. Делип Рао и Брайан Макмахан введут вас в курс дел с NLP и алгоритмами глубокого обучения. И покажут, как PyTorch позволяет реализовать приложения, использующие анализ текста. В этой книге - Вычислительные графы и парадигма обучения с учителем. - Основы оптимизированной библиотеки PyTorch для работы с тензорами. - Обзор традиционных понятий и методов NLP. - Упреждающие нейронные сети (многослойный перцептрон и другие). - Улучшение RNN при помощи долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков - Предсказание и модели преобразования последовательностей. - Паттерны проектирования NLP-систем, используемых в продакшене.

Обработка текстов на естественном языке (Natural Language Processing, NLP) - крайне важная задача в области искусственного интеллекта. Успешная реализация делает возможными такие продукты, как Alexa от Amazon и Google Translate. Эта книга поможет вам изучить PyTorch - библиотеку глубокого обучения для языка Python - один из ведущих инструментов для дата-сайентистов и разработчиков ПО, занимающихся NLP. Делип Рао и Брайан Макмахан введут вас в курс дел с NLP и алгоритмами глубокого обучения. И покажут, как PyTorch позволяет реализовать приложения, использующие анализ текста. В этой книге: - Вычислительные графы и парадигма обучения с учителем; - Основы оптимизированной библиотеки PyTorch для работы с тензорами; - Обзор традиционных понятий и методов NLP; - Упреждающие нейронные сети (многослойный перцептрон и другие); - Улучшение RNN при помощи долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков; - Предсказание и модели преобразования последовательностей; - Паттерны проектирования NLP-систем, используемых в продакшене.

Обработка текстов на естественном языке (Natural Language Processing, NLP) - крайне важная задача в области искусственного интеллекта. Успешная реализация делает возможными такие продукты, как Alexa от Amazon и Google Translate. Эта книга поможет вам изучить PyTorch - библиотеку глубокого обучения для языка Python - один из ведущих инструментов для дата-сайентистов и разработчиков ПО, занимающихся NLP. Делип Рао и Брайан Макмахан введут вас в курс дел с NLP и алгоритмами глубокого обучения. И покажут, как PyTorch позволяет реализовать приложения, использующие анализ текста. В этой книге: - Вычислительные графы и парадигма обучения с учителем; - Основы оптимизированной библиотеки PyTorch для работы с тензорами; - Обзор традиционных понятий и методов NLP; - Упреждающие нейронные сети (многослойный перцептрон и другие); - Улучшение RNN при помощи долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков; - Предсказание и модели преобразования последовательностей; - Паттерны проектирования NLP-систем, используемых в продакшене.

Обработка текстов на естественном языке (Natural Language Processing, NLP) — крайне важная задача в области искусственного интеллекта. Успешная реализация делает возможными такие продукты, как Alexa от Amazon и Google Translate. Эта книга поможет вам изучить PyTorch — библиотеку глубокого обучения для языка Python — один из ведущих инструментов для дата-сайентистов и разработчиков ПО, занимающихся NLP.Делип Рао и Брайан Макмахан введут вас в курс дел с NLP и алгоритмами глубокого обучения. И покажут, как PyTorch позволяет реализовать приложения, использующие анализ текста.В этой книге• Вычислительные графы и парадигма обучения с учителем.• Основы оптимизированной библиотеки PyTorch для работы с тензорами.• Обзор традиционных понятий и методов NLP.• Упреждающие нейронные сети (многослойный перцептрон и другие).• Улучшение RNN при помощи долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков • Предсказание и модели преобразования последовательностей.• Паттерны проектирования NLP-систем, используемых в продакшене.

Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как «топлива» для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие. Книга предназначена для читателей без технического образования, таких как менеджеры, интересующиеся возможным применением ИИ.

Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как «топлива» для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие. Книга предназначена для читателей без технического образования, таких как менеджеры, интересующиеся возможным применением ИИ.

Глубокое обучение стало мощным двигателем для работы с искусственным интеллектом. Яркие иллюстрации и простые примеры кода избавят вас от необходимости вникать в сложные аспекты конструирования моделей глубокого обучения, делая сложные задачи доступными и увлекательными. Джон Крон, Грант Бейлевельд и замечательный иллюстратор Аглаэ Бассенс используют яркие примеры и аналогии, которые позволяют объяснить, что такое глубокое обучение, почему оно пользуется такой популярностью и как эта концепция связана с другими подходами к машинному обучению. Книга идеально подойдет разработчикам, специалистам по обработке данных, исследователям, аналитикам и начинающим программистам, которые хотят применять глубокое обучение в своей работе. Теоретические выкладки прекрасно дополняются прикладным кодом на Python в блокнотах Jupyter. Вы узнаете приемы создания эффективных моделей в TensorFlow и Keras, а также познакомитесь с PyTorch. Базовые знания о глубоком обучении позволят создавать реальные приложения — от компьютерного зрения и обработки естественного языка до генерации изображений и игровых алгоритмов.

Книга представляет собой увлекательное, нетехническое введение в такие важные понятия искусственного интеллекта (ИИ), как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Проведено знакомство с историей и основными понятиями ИИ. Раскрыто значение данных как "топлива" для ИИ. Рассмотрены традиционные и продвинутые статистические методы машинного обучения, алгоритмы нейронных сетей для глубокого обучения, сферы применения разговорных роботов (чат-ботов), методы роботизации производственных процессов, технологии обработки естественного языка. Рассказано о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ. Освещены современные тренды ИИ: автономное вождение, милитаризация, технологическая безработица, изыскание новых лекарственных препаратов и другие. Книга предназначена для читателей без технического образования, таких как менеджеры, интересующиеся возможным применением ИИ. Прочитав книгу, вы: - изучите основные понятия ИИ, такие как машинное обучение, глубокое обучение и обработка естественного языка; - узнаете практические приемы успешного внедрения и применения ИИ, в том числе в компаниях Uber, Facebook, Waymo, UiPath и Stitch Fix; поймете, как применение ИИ в области робототехники может улучшать ведение бизнеса; - научитесь использовать разговорных роботов (чат-ботов) и внедрять роботизированную автоматизацию процессов (RPA) в целях экономии затрат и улучшения обслуживания клиентов; - узнаете о применении языка Python и платформ TensorFlow и PyTorch при внедрении проектов ИИ; - познакомитесь с современными трендами ИИ: автономным вождением, милитаризацией, технологической безработицей, изысканием новых лекарственных препаратов и другими. Искусственный интеллект (ИИ) вошел в жизнь каждого. Не думайте, что такие технологии, как умные звуковые динамики и цифровые помощники, являются его пределом. ИИ быстро стал технологией общего назначения и охватил различные отрасли промышленности, включая транспорт, здравоохранение, финансовые услуги и многое другое. В современную эпоху понимание ИИ и его возможностей для вас лично или вашей организации весьма важный фактор роста и успеха. Данная книга призвана снабдить вас фундаментальным, современным пониманием ИИ и его значения. Автор, Том Таулли, предлагает увлекательное, нетехническое введение в такие важные понятия, как машинное обучение, глубокое обучение, обработка естественного языка, робототехника и многое другое. Он демонстрирует примеры применения ИИ в реальной жизни и приводит практические рекомендации по его внедрению. При этом Таулли на основе своего богатого опыта дает подробные ответы по широкому кругу вопросов, которые окружают ИИ. К ним относятся социальные тренды, этика и влияние ИИ на мировые правительства, корпоративные структуры и повседневную жизнь. Том Таулли занимается разработкой программного обеспечения с 1980-х годов. Еще в колледже основал свою первую компанию, которая сосредоточилась на разработке систем электронного обучения. Ведет авторские колонки для популярных онлайн-изданий, таких как BusinessWeek.com, TechWeb.com и Bloomberg.com. Автор статей об искусственном интеллекте для Forbes.com и является консультантом различных компаний в этой сфере.

Многие средства глубокого обучения используют Python, но именно библиотека PyTorch по-настоящему «питоническая». Легкая в освоении для тех, кто знаком с NumPy и scikit-learn, PyTorch упрощает работу с глубоким обучением, обладая в то же время богатым набором функций. PyTorch прекрасно подходит для быстрого создания моделей и без проблем масштабируется до корпоративного проекта. PyTorch используют такие компании как Apple и JPMorgan Chase.Навыки работы с этой библиотекой пригодятся вам для карьерного роста. Вы научитесь создавать нейронные сети и системы глубокого обучения с помощью PyTorch. Книга поможет быстро приступить к созданию реального проекта с нуля. В ней описаны лучшие практики всего конвейера работы с данными, включая PyTorch Tensor API, загрузку данных на Python, мониторинг обучения и визуализацию полученных результатов.

Глубокое обучение стало мощным двигателем для работы с искусственным интеллектом. Яркие иллюстрации и простые примеры кода избавят вас от необходимости вникать в сложные аспекты конструирования моделей глубокого обучения, делая сложные задачи доступными и увлекательными.Джон Крон, Грант Бейлевельд и замечательный иллюстратор Аглаэ Бассенс используют яркие примеры и аналогии, которые позволяют объяснить, что такое глубокое обучение, почему оно пользуется такой популярностью и как эта концепция связана с другими подходами к машинному обучению. Книга идеально подойдет разработчикам, специалистам по обработке данных, исследователям, аналитикам и начинающим программистам, которые хотят применять глубокое обучение в своей работе. Теоретические выкладки прекрасно дополняются прикладным кодом на Python в блокнотах Jupyter. Вы узнаете приемы создания эффективных моделей в TensorFlow и Keras, а также познакомитесь с PyTorch.Базовые знания о глубоком обучении позволят создавать реальные приложения — от компьютерного зрения и обработки естественного языка до генерации изображений и игровых алгоритмов.

Глубокое обучение стало мощным двигателем для работы с искусственным интеллектом. Яркие иллюстрации и простые примеры кода избавят вас от необходимости вникать в сложные аспекты конструирования моделей глубокого обучения, делая сложные задачи доступными и увлекательными. Джон Крон, Грант Бейлевельд и замечательный иллюстратор Аглаэ Бассенс используют яркие примеры и аналогии, которые позволяют объяснить, что такое глубокое обучение, почему оно пользуется такой популярностью и как эта концепция связана с другими подходами к машинному обучению. Книга идеально подойдет разработчикам, специалистам по обработке данных, исследователям, аналитикам и начинающим программистам, которые хотят применять глубокое обучение в своей работе. Теоретические выкладки прекрасно дополняются прикладным кодом на Python в блокнотах Jupyter. Вы узнаете приемы создания эффективных моделей в TensorFlow и Keras, а также познакомитесь с PyTorch.Базовые знания о глубоком обучении позволят создавать реальные приложения — от компьютерного зрения и обработки естественного языка до генерации изображений и игровых алгоритмов.

Глубокое обучение стало мощным двигателем для работы с искусственным интеллектом. Яркие иллюстрации и простые примеры кода избавят вас от необходимости вникать в сложные аспекты конструирования моделей глубокого обучения, делая сложные задачи доступными и увлекательными. Джон Крон, Грант Бейлевельд и замечательный иллюстратор Аглаэ Бассенс используют яркие примеры и аналогии, которые позволяют объяснить, что такое глубокое обучение, почему оно пользуется такой популярностью и как эта концепция связана с другими подходами к машинному обучению. Книга идеально подойдет разработчикам, специалистам по обработке данных, исследователям, аналитикам и начинающим программистам, которые хотят применять глубокое обучение в своей работе. Теоретические выкладки прекрасно дополняются прикладным кодом на Python в блокнотах Jupyter. Вы узнаете приемы создания эффективных моделей в TensorFlow и Keras, а также познакомитесь с PyTorch.Базовые знания о глубоком обучении позволят создавать реальные приложения — от компьютерного зрения и обработки естественного языка до генерации изображений и игровых алгоритмов.

Доступное введение в NLP и машинное обучение для тех, кто только начинает изучение той или другой дисциплины Нейронные сети прямого распространения Работа с данными естественного языка Отношения между словами в контексте Языковое моделирование Моделирование деревьев с помощью рекурсивных нейронных сетей Знакомство с предпосылками, терминологией, инструментами и методиками, необходимыми для понимания принципов, лежащих в основе нейросетевых моделей языка Полезные и нестандартные пути применения современных технологий к задачам обработки языка Это классическое руководство посвящено применению нейросетевых моделей к обработке данных естественного языка (Natural Language Processing - NLP). В первой половине книги рассматриваются основы машинного обучения с учителем на лингвистических данных и применение векторных, а не символических представлений слов. Обсуждается также абстракция графа вычислений, которая позволяет легко определять и обучать произвольные нейронные сети и лежит в основе современных программных нейросетевых библиотек. Во второй части вводятся более специализированные нейросетевые архитектуры, включая одномерные сверточные сети, рекуррентные нейронные сети, модели условной генерации и модели с механизмом внимания. Эти архитектуры и методы - движущая сила современных алгоритмов машинного перевода, синтаксического анализа и многих других приложений. Наконец, обсуждаются древовидные сети, структурное предсказание и перспективы многозадачного обучения. Издание предназначено студентам вузов, а также специалистам в области машинного перевода и нейронных сетей.

Доступное введение в NLP и машинное обучение для тех, кто только начинает изучение той или другой дисциплины .Нейронные сети прямого распространения .Работа с данными естественного языка .Отношения между словами в контексте .Языковое моделирование .Моделирование деревьев с помощью рекурсивных нейронных сетей .Знакомство с предпосылками, терминологией, инструментами и методиками, необходимыми для понимания принципов, лежащих в основе нейросетевых моделей языка .Полезные и нестандартные пути применения современных технологий к задачам обработки языка .Это классическое руководство посвящено применению нейросетевых моделей к обработке данных естественного языка (Natural Language Processing - NLP). .В первой половине книги рассматриваются основы машинного обучения с учителем на лингвистических данных и применение векторных, а не символических представлений слов. Обсуждается также абстракция графа вычислений, которая позволяет легко определять и обучать произвольные нейронные сети и лежит в основе современных программных нейросетевых библиотек. .Во второй части вводятся более специализированные нейросетевые архитектуры, включая одномерные сверточные сети, рекуррентные нейронные сети, модели условной генерации и модели с механизмом внимания. Эти архитектуры и методы - движущая сила современных алгоритмов машинного перевода, синтаксического анализа и многих других приложений. Наконец, обсуждаются древовидные сети, структурное предсказание и перспективы многозадачного обучения. .Издание предназначено студентам вузов, а также специалистам в области машинного перевода и нейронных сетей. .

Доступное введение в NLP и машинное обучение для тех, кто только начинает изучение той или другой дисциплины .Нейронные сети прямого распространения .Работа с данными естественного языка .Отношения между словами в контексте .Языковое моделирование .Моделирование деревьев с помощью рекурсивных нейронных сетей .Знакомство с предпосылками, терминологией, инструментами и методиками, необходимыми для понимания принципов, лежащих в основе нейросетевых моделей языка .Полезные и нестандартные пути применения современных технологий к задачам обработки языка .Это классическое руководство посвящено применению нейросетевых моделей к обработке данных естественного языка (Natural Language Processing - NLP). .В первой половине книги рассматриваются основы машинного обучения с учителем на лингвистических данных и применение векторных, а не символических представлений слов. Обсуждается также абстракция графа вычислений, которая позволяет легко определять и обучать произвольные нейронные сети и лежит в основе современных программных нейросетевых библиотек. .Во второй части вводятся более специализированные нейросетевые архитектуры, включая одномерные сверточные сети, рекуррентные нейронные сети, модели условной генерации и модели с механизмом внимания. Эти архитектуры и методы - движущая сила современных алгоритмов машинного перевода, синтаксического анализа и многих других приложений. Наконец, обсуждаются древовидные сети, структурное предсказание и перспективы многозадачного обучения. .Издание предназначено студентам вузов, а также специалистам в области машинного перевода и нейронных сетей. .

Многие средства глубокого обучения используют Python, но именно библиотека PyTorch по-настоящему «питоническая». Легкая в освоении для тех, кто знаком с NumPy и scikit-learn, PyTorch упрощает работу с глубоким обучением, обладая в то же время богатым набором функций. PyTorch прекрасно подходит для быстрого создания моделей и без проблем масштабируется до корпоративного проекта. PyTorch используют такие компании как Apple и JPMorgan Chase. Навыки работы с этой библиотекой пригодятся вам для карьерного роста. Вы научитесь создавать нейронные сети и системы глубокого обучения с помощью PyTorch. Книга поможет быстро приступить к созданию реального проекта с нуля. В ней описаны лучшие практики всего конвейера работы с данными, включая PyTorch Tensor API, загрузку данных на Python, мониторинг обучения и визуализацию полученных результатов.