Få en dypere forståelse av avanserte områder innen dyp læring, inkludert nevrale nettverk, meta-læring, graf-nevrale nettverk og minneforsterkede nevrale nettverk, alt ved hjelp av Python-økosystemet. I denne boken lærer du hvordan du bygger raskere og mer robuste dyp læringsarkitekturer. Du vil utforske og trene konvolusjonelle nevrale nettverksmodeller (CNN) med GPU-aksellerte biblioteker som TensorFlow og PyTorch. Videre kommer du til å anvende dype nevrale nettverk (DNN) på problemstillinger innen datamaskinsyn, naturlig språkbehandling (NLP) og generative adversarial nettverk (GAN). For å utvikle solide dyp læringssystemer er det essensielt å forstå alt fra hvordan nevrale nettverk fungerer, til trening av CNN-modeller. Boken guider deg gjennom nyutviklede dyp læringsmodeller, metodologier som brukes innen feltet, og hvordan de implementeres basert på ulike anvendelsesområder. Du begynner med å lære de grunnleggende byggeklossene og matematikken bak nevrale nettverk, før du går videre til CNN-er og deres avanserte bruksområder innen datamaskinsyn. Til slutt vil du også bli kjent med de mest populære CNN-ene og hvordan de kan brukes i praktiske situasjoner.
