Deep Learning: od klasycznych modeli do sieci neuronowych
W tej kategorii Deep Learning widać fajną rzecz: punkt startu może być bardzo różny, a i tak da się to poukładać w sensowną drogę. Jeśli dopiero oswajasz klasyfikację, regresję czy klastrowanie, przydaje się perspektywa, która nie zakłada wcześniejszego ,,obycia" z ML i spokojnie buduje fundamenty. Taki kierunek ma książka Jacka Tabora, Marka Śmiei, Łukasza Struskiego i Przemysława Spurka Głębokie uczenie. Wprowadzenie, gdzie ważne jest nie tylko co działa, ale też dlaczego, a do tego dochodzi kod, żeby nie kończyć na teorii.
Keras, tensory i trening: jak to wygląda w praktyce
Gdy przychodzi moment ,,dobra, to teraz buduję model", liczą się narzędzia i nawyki: przygotowanie danych, dobór architektury, diagnostyka overfittingu, sensowna walidacja, iterowanie. W praktycznych rozdziałach o pracy z Pythonem często przewijają się pojęcia typu tensory, propagacja wsteczna, sieci konwolucyjne do obrazów czy modele sekwencyjne do szeregów czasowych, a dalej transformer, mechanizm uwagi i generowanie. W przewodniku Françoisa Cholleta i Matthew Watsona Deep Learning. Praca z językiem Python i biblioteką Keras. Wydanie III dostajesz właśnie taki warsztat: kod w Pythonie i spojrzenie na cały ekosystem, od klasycznych sieci po nowe podejścia w stylu mini-GPT czy techniki dostrajania.
Matematyka, która ,,odczarowuje" sieci: probabilistyka, algebra, gradienty
Jest też druga strona medalu: frameworki potrafią sporo ukryć, ale w pewnym momencie i tak wraca pytanie, co naprawdę oznacza pochodna, czemu działa spadek gradientu i skąd się biorą aktualizacje wag. Kiedy debugujesz uczenie albo próbujesz porównać optymalizatory (RMSprop, Adagrad czy Adadelta), podstawy z algebry liniowej, statystyki i rachunku różniczkowego przestają być ,,akademickie" i zaczynają ratować projekt. W książce Ronalda T. Kneusela Matematyka w deep learningu. Co musisz wiedzieć, aby zrozumieć sieci neuronowe nacisk jest właśnie na te klocki: Bayes, macierze, pochodne i zbudowanie intuicji, którą potem czuć przy implementacji backpropu.
Ścieżek zawodowych jest tu sporo: od roli data scientist i ML engineer, przez osoby robiące NLP i wizję komputerową, po inżynierów wdrażających modele w produktach, gdzie liczy się stabilny trening, metryki i sensowna ewaluacja. Jeśli myślisz o pracy przy modelach językowych, generowaniu obrazów albo prognozowaniu szeregów czasowych, te książki pomagają dobrać język, narzędzia i sposób myślenia, który da się przenieść między projektami. A gdy złapiesz apetyt na szerszy kontekst danych, naturalnym kolejnym krokiem bywa zanurzenie się w tematy z działu big data i baz danych w księgarni.
