PCPT: A Preparation Course in PyTorch. Through the Principles of Signal Processing
Buch in deiner Nähe kaufen
Beschreibung
Dieses Buch bietet eine kompakte und praxisorientierte Einführung in PyTorch und verbindet moderne Methoden des maschinellen Lernens mit klassischen Konzepten der Signalverarbeitung. Es wird durch interaktive Jupyter-Notebooks ergänzt, in denen Erklärungen, Formeln, Visualisierungen und ausführbarer Python-Code integriert sind und ein direktes Experimentieren ermöglichen. Das Material verfolgt zwei zentrale Ziele: Es vermittelt einen strukturierten Zugang zu PyTorch und zur Entwicklung datengetriebener Modelle und greift zugleich grundlegende Konzepte wie Faltung, Filterung, gradientenbasierte Optimierung und Klassifikation auf. Der Fokus liegt auf einem nachhaltigen konzeptionellen Verständnis, das über reine Implementierungsdetails hinausgeht und die Übertragbarkeit auf neue Problemstellungen unterstützt. Durch die Konzentration auf Zeitreihen- und Sequenzdaten, insbesondere im Audiobereich, wird eine Alternative zu bildzentrierten Einführungen geboten. Die verwendeten Beispiele und synthetischen Datensätze sind bewusst einfach gehalten und auf eine effiziente Ausführung auf Standardhardware ausgelegt. Das Buch richtet sich an fortgeschrittene Studierende sowie an Forschende und Praktiker. Es eignet sich für das Selbststudium ebenso wie für den Einsatz in der Lehre. Die enthaltenen Programmieraufgaben mit Referenzlösungen sowie die frei verfügbaren Notebooks können direkt als Lehrmaterial oder als Grundlage für weiterführende Projekte genutzt werden.
Autor*in
Meinard Mueller
Themen in »PCPT: A Preparation Course in PyTorch. Through the Principles of Signal Processing«
PyTorch course for machine learning and signal processing Interactive Jupyter notebooks for PyTorch education Neural networks and automatic differentiation in PyTorch Machine learning for time-series and sequence data Conceptual foundations of deep learning with PyTorch PyTorch for engineers and data scientists Convolutional and recurrent neural networks for 1D signals