Deep Learning with PyTorch – Eli Stevens, Luca Antiga, Thomas Viehmann – 1st Edition

Descripción

Cuando éramos niños en la década de 1980, al dar nuestros primeros pasos en nuestro Commodore VIC 20 (Eli), el Sinclair Spectrum 48K (Luca) y el Commodore C16 (Thomas), vimos el amanecer de las personales, aprendimos a codificar y escribir algoritmos en máquinas cada vez más rápidas, y a menudo soñaba con dónde nos llevarían las computadoras.

También éramos dolorosamente conscientes de la brecha entre lo que hacían las computadoras en las películas y lo que podían hacer en la vida real, y colectivamente pusimos los ojos en blanco cuando el personaje principal de una película de espías dijo: “Computadora, mejora”. Más tarde, durante nuestra vida profesional, dos de nosotros, Eli y Luca, nos desafiamos a nosotros mismos de forma independiente con el análisis de imágenes médicas, enfrentándonos al mismo tipo de lucha al escribir algoritmos que pudieran manejar la variabilidad natural del cuerpo humano.

Hubo muchas heurísticas involucradas al elegir la mejor combinación de algoritmos que podrían hacer que las cosas funcionaran y salvar el día. Thomas estudió y reconocimiento de patrones a principios de siglo, pero luego obtuvo un doctorado en matemáticas haciendo . Cuando el profundo surgió a principios de la década de 2010, haciendo su aparición inicial en la visión por computadora, comenzó a aplicarse a tareas de análisis de imágenes médicas como la identificación de estructuras o lesiones en imágenes médicas.

Fue en ese momento, en la primera mitad de la década, cuando apareció el aprendizaje profundo en nuestros radares individuales. Me tomó un tiempo darme cuenta de que el aprendizaje profundo representaba una forma completamente nueva de escribir software: una nueva clase de algoritmos multipropósito que podían aprender a resolver tareas complicadas a través de la observación de datos.

Ver más
  • foreword
    preface
    acknowledgments
    about this book
    about the authors
    about the cover illustration

    PART 1CORE PYTORCH
    1 Introducing deep learning and the PyTorch Library
    2 Pretrained networks
    3 It starts with a tensor
    4 Real-world data representation using tensors
    5 The mechanics of learning
    6 Using a neural network to fit the data
    7 Telling birds from airplanes: Learning from images
    8 Using convolutions to generalize
    9 Using PyTorch to fight cancer
    10 Combining data sources into a unified dataset
    11 Training a classification model to detect suspected tumors
    12 Improving training with metrics and augmentation
    13 Using segmentation to find suspected nodules
    14 End-to-end nodule analysis, and where to go next
    15 Deploying to production
    index
  • Citar Libro

Descargar Deep Learning with PyTorch

Tipo de Archivo
Idioma
Descargar RAR
Descargar PDF
Páginas
Tamaño
Libro
Inglés
522 pag.
19 mb

Déjanos un comentario

No hay comentarios

guest
0 Comentarios
Comentarios en línea
Ver todos los comentarios
0
Nos encantaría conocer tu opinión, comenta.x