یادگیری عمیق، اغلب به عنوان حوزه انحصاری دکترای ریاضی و شرکت‌های بزرگ فناوری در نظر گرفته می‌شود. اما همانطور که این راهنمای عملی نشان می‌دهد، برنامه‌نویسانی که با پایتون راحت هستند، می‌توانند با پیش‌زمینه ریاضی کم، مقدار کمی داده و حداقلی از کد به نتایج چشمگیری در یادگیری عمیق دست یابند. چگونه؟ با fastai که اولین کتابخانه ای است که رابطی منسجم را برای پر کاربرد‌ترین کاربرد‌های یادگیری عمیق ارائه می‌دهد.
نویسندگان کتاب Deep Learning for Coders with fastai and PyTorch (یادگیری عمیق برای کد نویسان با فستای و پایتورچ)، Jeremy Howard و Sylvain Gugger، خالقان fastai، به شما نشان می‌دهند که چگونه با استفاده از fastai و PyTorch یک مدل را در طیف وسیعی از وظایف آموزش دهید. همچنین برای به دست آوردن درک کاملی از الگوریتم‌های پشت صحنه، به تدریج بیشتر در تئوری یادگیری عمیق فرو خواهید رفت.

مطالبی که در کتاب Deep Learning for Coders with fastai and PyTorch: AI Applications Without a PhD، یاد خواهید گرفت:

• آموزش مدل‌های آموزشی در بینایی ماشین، پردازش زبان طبیعی، داده‌های جدولی و فیلتر کردن مشارکتی
• یادگیری جدیدترین تکنیک‌های یادگیری عمیق که در عمل اهمیت بیشتری دارند
• بهبود دقت، سرعت و قابلیت اطمینان با درک نحوه‌ی عملکرد مدل‌های یادگیری عمیق
• بررسی نحوه‌ی تبدیل مدل هایتان به برنامه‌های وب
• پیاده سازی الگوریتم‌های یادگیری عمیق از ابتدا
• درنظر گرفتن پیامد‌های اخلاقی کار خود
• دید پیدا کردن از پیشگفتار از یکی از هم بنیانگذاران PyTorch