Искусственный интеллект и машинное обучение для программистов в PyTorch: Руководство разработчика по генеративному ИИ

Книга посвящена практической разработке решений в области искусственного интеллекта и машинного обучения с акцентом на реальную практику. Подход «сначала код — потом теория» позволяет осваивать ключевые идеи ИИ без углубленной математической подготовки. Рассматриваются основные направления современного ИИ: компьютерное зрение, NLP и генеративные модели. На практике разбирается работа с PyTorch, трансформерами, моделями из библиотеки Hugging Face, рассматриваются диффузионные модели, а также методы адаптации моделей — промпт-инжиниринг, дообучение моделей и LoRA. Отдельное внимание уделено развертыванию моделей в Интернете и в облаке, что позволяет пройти полный цикл создания ИИ-решений — от обучения до внедрения.

Для разработчиков, инженеров ML и специалистов по прикладному ИИ

Вы хотите погрузиться в мир искусственного интеллекта и машинного обучения, но не понимаете, с чего начать? Это практическое руководство с подходом «сначала код — потом теория» снимает завесу сложности с ключевых идей ИИ без углубленной математической подготовки. Книга ориентирована на программистов и делает акцент на практике: вы будете работать с PyTorch и шаг за шагом создавать модели, применимые к реальным задачам.

От компьютерного зрения и обработки естественного языка (NLP) до генеративного ИИ на базе трансформеров из библиотеки Hugging Face — это руководство дает набор навыков, которые сегодня наиболее востребованы в разработке искусственного интеллекта. Кроме того, вы на практике освоите развертывание моделей в Интернете и в облачной инфраструктуре.

• Научитесь уверенно применять ИИ, не прибегая к углубленным математическим или теоретическим знаниям
• Освойте методы обучения моделей ИИ для компьютерного зрения, обработки естественного языка (NLP) и других задач
• Изучите методы создания ИИ с помощью трансформеров и диффузионных моделей
• Узнайте, как использовать промпт-настройку, дообучение моделей и создавать LoRA для генеративных моделей