Reti Neurali: i libri da non perdere.

Aggiornamento: ott 31


Molti sono convinti che sia possibile imparare online concetti matematici difficili, con tutorial , articoli e video su youtube e questo può essere vero, ma solo in parte. Ci sono delle risorse "cartacee" che risultano di fondamentale importanza sulle reti neurali, che occorre conoscere ed avere a disposizione, inoltre tali risorse sono consigliate dai grandi big di oltre oceano come Google e Facebook.


Oggi parleremo di 8 libri, i libri fondamentali per apprendere i concetti sui quale si muovono le reti neurali profonde di oggi.


Siete pronti?


1 - Grokking Artificial Intelligence Algorithms

Questo libro tratta l'intero percorso sull'intelligenza artificiale e si occupa di algoritmi di ricerca, ricerca intelligente fino ad arrivare alla parte più evolutiva dell'IA che include l'apprendimento automatico, il deep learning e il Q-learning del 21 ° secolo. L'indice include questi argomenti in sequenza: Intuition of AI, Search Fundamentals, Advanced Search, Evolutionary Algorithms, Swarm Intelligence: Ants, Swarm Intelligence: Particles, Machine learning, Artificial Neural Networks, Reinforcement with Q-Learning. Con questo libro imparerai le basi e su quali processi si è evoluta l'IA fino ai giorni di oggi. Questo libro è consigliato a coloro che stanno approfondendo l'IA per la prima volta e che sono davvero appassionati di conoscerne l'evoluzione di tutti i suoi aspetti fondamentali e non solo relativamente ad alcuni famosi algoritmi di Machine learning o Deep Learning conosciuti.


2 - Deep Learning From Scratch: Building with Python from First Principles

Con la rinascita delle reti neurali negli anni 2010, il deep learning è diventato essenziale per i professionisti dell'apprendimento automatico e anche per molti ingegneri del software. Questo libro fornisce un'introduzione completa per i data scientist e gli ingegneri del software con esperienza in machine learning. Inizierai con le basi del deep learning e passerai rapidamente ai dettagli di importanti architetture avanzate, implementando tutto da zero lungo il percorso di apprendimento. Inoltre questo libro è interessante relativamente ai seguenti punti:

  • Fornisce una spiegazione degli algoritmi in un semplice inglese, in modo che il glossario diventi meno un fattore di confusione;

  • Rappresenta visivamente il funzionamento di un algoritmo per permettere al lettore di immaginare il concetto con maggiore comprensione;

  • Fornisce una spiegazione matematica del "perché gli algoritmi funzionano"

  • Implementa dello pseudocodice per gli algoritmi trattati.

Questo libro dà il meglio di sé nell'adempiere a tutti i ruoli sopra menzionati per chiunque abbia poca preparazione sull'apprendimento.


3 - Deep Learning with Python

Nella prima parte imparerai i concetti di alto livello e più difficili relativi all'apprendimento profondo. Deep Learning con Python introduce il campo del deep learning utilizzando il linguaggio Python e la potente libreria Keras. Scritto dal creatore di Keras e ricercatore di Google AI, Francois Chollet, questo libro ti farà comprendere i concetti attraverso spiegazioni intuitive ed esempi pratici. Esplorerai concetti stimolanti e ti eserciterai con applicazioni di visione artificiale, elaborazione del linguaggio naturale e modelli generativi. Al termine, avrai le conoscenze e le abilità pratiche per applicare il deep learning nei tuoi progetti.

Il libro è suddiviso nelle seguenti sezioni:

  • Apprendimento profondo dai principi;

  • Configurare il proprio ambiente di deep learning;

  • Modelli di classificazione delle immagini;

  • Deep learning per testi e sequenze;

  • Trasferimento neurale, generazione di testo e generazione di immagini.


4 - Deep Learning with PyTorch

Nella prima parte imparerai il deep learning utilizzando PyTorch. Si tratta di una libreria di apprendimento automatico open source basata sulla libreria Torch, utilizzata per applicazioni come la visione artificiale e l'elaborazione del linguaggio naturale Inizierai addentrandoti nei modelli pre-addestrati per poi nella seconda parte, imparare con degli esempi come svolgere diagnosi relative al cancro del polmone e il suo completo sviluppo. Nella terza parte (la distribuzione), si parlerà per la prima volta dello sviluppo di un'applicazione ML, che consiste nel consentire ad altri di utilizzare il tuo modello nel mondo reale.


5 - Grokking Deep Learning



Questo libro copre la maggior parte degli argomenti di cui avresti bisogno per sporcarti le mani con l'apprendimento profondo. Questa è una breve descrizione di ciò che imparerai: Introduzione all'apprendimento profondo, concetti fondamentali, introduzione alla rete neurale, discesa del gradiente in dettaglio, visualizzazione delle reti neurali, backpropagation e concetto di apprendimento, batch e regolarizzazione, reti ricorrenti per dati di testo, LSTM e infine apprendimento federato. Se questo non è sufficiente per iniziare, la maggior parte delle altre risorse non lo sono.


6 - Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow


Ora vuoi migliorarti con implementazioni pratiche e creare un modello di apprendimento profondo a tutti gli effetti con TensorFlow. Questo libro è suggerito dalla stessa Tensorflow, che di fatto si tratta di Google. In termini di apprendimento di TensorFlow probabilmente è il migliore. Il modo in cui l'autore ha spiegato i concetti è eccezionalmente facile e intuitivo. Ti fa sentire potente ogni volta che finirai una certa sezione. Il libro è un tesoro di conoscenza con più di 800 pagine su argomenti quali: Fondamenti, progetto ML end-to-end, algoritmi e tecniche di apprendimento automatico più comuni dettagliati, rete neurale con Keras, modelli personalizzati e formazione con Tensorflow, computer profondo visione con convoluzioni, modelli di sequenza con RNN e LSTM, modelli di attenzione, apprendimento generativo come Autoencoder e GAN, apprendimento per rinforzo. Imparerai a lavorare parallelamente con questo libro e cambierai completamente il tuo livello di abilità nell'apprendimento automatico e nell'apprendimento profondo nella sua pratica.


7 - Deep Learning