Deep learning is often viewed as the exclusive domain of math PhDs and big tech companies. But as this hands-on guide demonstrates, programmers comfortable with Python can achieve impressive results in deep learning with little math background, small amounts of data, and minimal code. How? With fastai, the first library to provide a consistent interface to the most frequently used deep learning applications.

Authors Jeremy Howard and Sylvain Gugger, the creators of fastai, show you how to train a model on a wide range of tasks using fastai and PyTorch. You’ll also dive progressively further into deep learning theory to gain a complete understanding of the algorithms behind the scenes.

• Train models in computer vision, natural language processing, tabular data, and collaborative filtering
• Learn the latest deep learning techniques that matter most in practice
• Improve accuracy, speed, and reliability by understanding how deep learning models work
• Discover how to turn your models into web applications
• Implement deep learning algorithms from scratch
• Consider the ethical implications of your work
• Gain insight from the foreword by PyTorch cofounder, Soumith Chintala

• Comprendre et retenir l’essentiel du cours,
• Maîtriser les méthodes de travail,
• Etre à l’aise face aux exercices et problèmes,
• Réussir les épreuves des concours.

• Les notions du programme indispensables à connaître.
• Les principales difficultés et erreurs mises en avant.
• Les méthodes présentées étape par étape.
• La mise en place informatique en Python des méthodes algorithmiques.

• Des interros de cours pour valider ses connaissances.
• Des exercices d'entraînement pour appliquer le cours.
• Des exercices d'approfondissement et des extraits de sujets, pour se préparer aux concours.
• Tous les corrigés détaillés et expliqués.

• Comprendre et retenir l’essentiel du cours,
• Maîtriser les méthodes de travail,
• Etre à l’aise face aux exercices et problèmes,
• Réussir les épreuves des concours.

• Les notions du programme indispensables à connaître.
• Les principales difficultés et erreurs mises en avant.
• Les méthodes présentées étape par étape.
• La mise en place informatique en Python des méthodes algorithmiques.

• Des interros de cours pour valider ses connaissances.
• Des exercices d'entraînement pour appliquer le cours.
• Des exercices d'approfondissement et des extraits de sujets, pour se préparer aux concours.
• Tous les corrigés détaillés et expliqués.

• Les notions du programme indispensables à connaître.
• Les principales difficultés et erreurs mises en avant.
• Les méthodes présentées étape par étape.
• La mise en place informatique en Python des méthodes algorithmiques.

• Des interros de cours pour valider ses connaissances.
• Des exercices d'entraînement pour appliquer le cours.
• Des exercices d'approfondissement et des extraits de sujets, pour se préparer aux concours.
• Tous les corrigés détaillés et expliqués.

• Les notions indispensables à connaître,
• La mise en avant des difficultés majeures.

• Toutes les méthodes présentée étape par étape avec un exercice d'application.

• Des tests corrigés pour valider la bonne connaissance du cours.

• Des applications directes du cours,
• Des exercices pour aller plus loin,
• Des exercices d'informatique avec Python,
• Tous les corrigés détaillés avec commentaires méthodologiques.

• Les notions indispensables présentées de façon synthétique,
• La mise en avant des difficultés majeures.

• Chaque méthode ou technique présentée étape par étape avec un exercice d'application.

• Des tests corrigés pour valider la bonne connaissance du cours.

• Des applications directes du cours,
• Des exercices pour aller plus loin,
• Des exercices d'informatique avec Python,
• Tous les corrigés détaillés avec commentaires méthodologiques.