Openbravo-rus.ru

Образование по русски
2 просмотров
Рейтинг статьи
1 звезда2 звезды3 звезды4 звезды5 звезд
Загрузка...

Глубокое обучение скачать

Глубокое обучение

Скачать книгу в формате:

Аннотация

Глубокое обучение – это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры.

Издание предназначено студентам вузов и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.

Отзывы

Популярные книги

  • 48374
  • 4
  • 12

Наталья Щерба ЧАСОВАЯ БИТВА Спасибо Еве, Татьяне и Павлу — моим первым читателям, поверившим в.

Часовая битва

  • 39060
  • 4

Глуховский Дмитрий Алексеевич Будущее Глава I. ГОРИЗОНТЫ Лифт — отличная штука, говорю.

Будущее

  • 32319
  • 7
  • 2

Annotation Аллен Карр, разработавший собственный способ избавления от никотиновой зависимости, н.

Легкий способ бросить пить

  • 37428
  • 1
  • 3

В центре повествования этой, подчас шокирующей, резкой и болевой книги – Женщина. Героиня, в юнос.

Бабий ветер

  • 31705
  • 1
  • 1

Архипелаг ГУЛаг ЧАСТЬ ПЕРВАЯ. ТЮРЕМНАЯ ПРОМЫШЛЕННОСТЬ Глава 1. АРЕСТ Глава 2. ИСТОРИЯ НАШЕЙ КАНА.

Архипелаг ГУЛаг(в одном томе)

  • 57763
  • 6
  • 2

Стивен Чбоски Хорошо быть тихоней Посвящается моей семье Благодарности По поводу всех, кт.

Хорошо быть тихоней

Приветствуем тебя, неведомый ценитель литературы. Если ты читаешь этот текст, то книга «Глубокое обучение» Гудфеллоу Ян небезосновательно привлекла твое внимание. С невероятной легкостью, самые сложные ситуации, с помощью иронии и юмора, начинают восприниматься как вполнерешаемые и легкопреодолимые. Это настоящее явление в литературе, которое не любишь, а восхищаешься всем естеством, оно не нравится, а приводит в неописуемый восторг. Сюжет разворачивается в живописном месте, которое легко ложится в основу и становится практически родным и словно, знакомым с детства. Темы любви и ненависти, добра и зла, дружбы и вражды, в какое бы время они не затрагивались, всегда остаются актуальными и насущными. Попытки найти ответ откуда в людях та или иная черта, отчего человек поступает так или иначе, частично затронуты, частично раскрыты. В заключении раскрываются все загадки, тайны и намеки, которые были умело расставлены на протяжении всей сюжетной линии. Долго приходится ломать голову над главной загадкой, но при помощи подсказок, получается самостоятельно ее разгадать. С первых строк обращают на себя внимание зрительные образы, они во многом отчетливы, красочны и графичны. Небезынтересно наблюдать как герои, обладающие не высокой моралью, пройдя через сложные испытания, преобразились духовно и кардинально сменили свои взгляды на жизнь. Помимо увлекательного, захватывающего и интересного повествования, в сюжете также сохраняется логичность и последовательность событий. «Глубокое обучение» Гудфеллоу Ян читать бесплатно онлайн увлекательно, порой напоминает нам нашу жизнь, видишь самого себя в ней, и уже смотришь на читаемое словно на пособие.

  • Понравилось: 0
  • В библиотеках: 0

Новинки

  • 21

Ты геймер? Любишь пощекотать нервы? Хочешь заработать, играя? Если да, то предлагаю поиграть в о.

Геймер — часть вторая

Ты геймер? Любишь пощекотать нервы? Хочешь заработать, играя? Если да, то предлагаю поиграть в о.

  • 6

Продолжает бушевать на планетах загадочный бог зла, похоти и коварства — Царь Царей. Продолжает ра.

Ужасные монстры

Продолжает бушевать на планетах загадочный бог зла, похоти и коварства — Царь Царей. Продолжает ра.

  • 34

Ты геймер? Любишь пощекотать нервы? Хочешь заработать, играя? Если да, то предлагаю поиграть в о.

Геймер — часть первая

Ты геймер? Любишь пощекотать нервы? Хочешь заработать, играя? Если да, то предлагаю поиграть в о.

Глубокое обучение (Deep Learning): краткий туториал

Первым шагом к пониманию того, как работает глубокое обучение, является понимание различий между несколькими важными терминами.

Нейронная сеть (искусственная нейронная сеть) — это попытка воспроизведения работы человеческого мозга на компьютере при помощи слоев нейронов.

Искусственный интеллект — способность машины или программы находить решения при помощи вычислений.

Во время первых исследований в области ИИ ученые пытались воспроизвести человеческий интеллект для решения конкретных задач — например, игры с человеком. Было введено большое количество правил, которым должен следовать компьютер. На основе этих правил компьютер принимал решения в согласии с конкретным списком возможных действий.

Машинное обучение — это попытка научить компьютеры самостоятельно обучаться на большом количестве данных вместо жестко постулированных правил.

Машинное обучение позволяет компьютерам самостоятельно обучаться. Это возможно благодаря вычислительной мощности современных компьютеров, которые могут легко обрабатывать большие наборы данных.

Контролируемое и неконтролируемое обучение

Контролируемое обучение (обучение с учителем, supervised learning) подразумевает использование помеченных наборов данных, содержащих входные данные и ожидаемые выходные результаты. Когда вы обучаете нейронную сеть с помощью контролируемого обучения, вы подаете как входные данные, так и ожидаемые выходные результаты.

Если результат, генерируемый нейронной сетью, неверен, она скорректирует свои вычисления. Это итерационный процесс, оканчивающийся тогда, когда сеть перестает совершать ошибки.

Примером задачи с контролируемым обучением является предсказание погоды. Нейросеть учится делать прогноз погоды с использованием исторических данных. Обучающие данные включают в себя входные данные (давление, влажность, скорость ветра) и выходные результаты (температура).

Неконтролируемое обучение (обучение без учителя, unsupervised learning) — это машинное обучение с использованием наборов данных без определенной структуры.

Когда вы обучаете нейросеть неконтролируемо, она самостоятельно проводит логическую классификацию данных. Примером задачи с неконтролируемым обучением является предсказание поведения посетителей интернет-магазинов. В этом случае сеть не обучается на размеченных даннх. Вместо этого она самостоятельно классифицирует входные данные и отвечает на вопрос, какие пользователи чаще всего покупают различные товары.

Глубокое обучение

Теперь вы подготовлены к изучению того, что такое глубокое обучение и как оно работает.

Глубокое обучение — это метод машинного обучения. Глубокое обучение позволяет обучать модель предсказывать результат по набору входных данных. Для обучения сети можно использовать как контролируемое, так и неконтролируемое обучение.

Читать еще:  Машинное обучение python примеры

Разница между машинным и глубоким обучением

Рассмотрим, как работает глубокое обучение, на примере сервиса по оценке стоимости авиабилета. Мы будем обучать его контролируемым образом.

Мы хотим, чтобы наш сервис предсказывал цену на авиабилет по следующим входным данным:

  • аэропорт вылета;
  • аэропорт назначения;
  • дата отбытия;
  • авиакомпания.

Нейронные сети глубокого обучения

Давайте заглянем внутрь нашей модели. Как и у животных, искусственная нейронная сеть содержит взаимосвязанные нейроны. На диаграмме они представлены кругами:

Глубокая нейронная сеть (с двумя скрытыми слоями)

Нейроны сгруппированы в три различных типа слоев:

  • входной слой;
  • скрытый слой (слои);
  • выходной слой.

Входной слой принимает входные данные. В нашем случае имеется четыре нейрона на входном слое: аэропорт вылета, аэропорт назначения, дата вылета и авиакомпания. Входной уровень передает эти данные в первый скрытый слой.

Скрытые слои выполняют математические вычисления со входными данными. Одна из задач при создании нейронных сетей — определение количества скрытых слоев и нейронов на каждом слое.

Слово «глубина» в термине «глубокое обучение» означает наличие более чем одного скрытого слоя.

Выходной слой выдает результат. В нашем случае это прогноз цены на билет.


Итак, как же вычисляется цена? Здесь вступает в силу магия глубокого обучения. Нейроны связаны между собой с определенным весом. Вес определяет важность элемента входных данных. Исходные веса задаются случайным образом.

При прогнозировании цены на билет дата вылета является одним из наиболее важных факторов. Следовательно, связи нейрона времени вылета будут иметь большой вес.

Каждый нейрон имеет функцию активации. Ее смысл трудно понять без привлечения математических рассуждений. Одной из ее целей является «стандартизация» данных на выходе из нейрона.

После того, как набор входных данных прошел через все слои нейронной сети, функция активации возвращает выходные результаты через выходной уровень.

Обучение глубокой сети

Обучение нейросети — самая сложная часть глубокого обучения. Почему?

  • Вам нужен большой набор данных.
  • Вам нужно большое количество вычислительной мощности.

Для оценки стоимости билета нужно найти исторические данные о ценах на билеты. Из-за большого количества возможных комбинаций аэропортов и дат вылета нам нужен очень большой список цен на билеты.

Для обучения сети нужно подать в нее подготовленные данные и сравнить сгенерированные ей выходные результаты с результатами из нашего тестового набора данных. Поскольку сеть еще не обучена, результаты будут неверными.

После пропуска всех данных можно определить функцию, которая будет показывать нам, насколько результаты работы алгоритма отличаются от реальных данных. Эта функция называется функцией потерь.

В идеале мы хотим, чтобы функция потерь была равна нулю. В этом случае выходные результаты работы сети полностью совпадают с результатами тестового набора данных.

Как уменьшить значение функции потерь?

Нужно менять веса между нейронами. Можно делать это случайным образом до тех пор, пока функция потерь не станет равной нулю, но это не очень эффективно.

Вместо этого мы будем использовать метод градиентного спуска. Градиентный спуск — это метод, который позволяет найти минимум функции. В нашем случае мы ищем минимум функции потерь.

Суть метода состоит в небольшом изменении весов после каждой итерации. Вычисляя производную (или градиент) функции потерь при определенном наборе весов, можно определить, в каком направлении находится минимум.

Для минимизации функции потерь нужно многократно перебирать данные. Именно поэтому нам требуется большая вычислительная мощность. Уточнение весов с помощью градиентного спуска выполняется автоматически. В этом и состоит магия глубокого обучения!

После обучения можно использовать разработанный нами сервис для прогнозирования цен на авиабилеты.

В сухом остатке:

  • Глубокое обучение использует нейронную сеть для воспроизведения интеллекта животных.
  • Существует три типа слоев нейронов в нейронной сети: входной слой, скрытый слой (слои) и выходной слой.
  • Связи между нейронами имеют вес, определяемый важностью элемента входных данных.
  • Для обучения глубокой нейронной сети необходим реально большой набор данных.
  • Итерационно сравнивая выходные результаты со включенными в набор данными, можно вычислить функцию потерь, указывающую, насколько сильно ошибается алгоритм.
  • После каждой итерации (epoch) веса между нейронами перераспределяются с помощью метода градиентного спуска для минимизации функции потерь.

Что такое Deep Learning? Как работает глубокое обучение?

Как работает глубокое обучение и что оно из себя представляет? В ходе статьи мы расскажем про Deep Learning и разберемся с его ключевыми понятиями.

# 1 — Предмет изучения

Уже 20 лет существует понятие «глубокое обучение, но совсем недавно о нём начали активно говорить. В рамках этой публикации объясним, что спровоцировало активные разговоры вокруг Deep Learning , что это, в чём отличия от классического машинного обучения и другие полезные нюансы.

# 2 — Что из себя представляет

Глубокая обучаемость относится к одному из видов машинного обучения, в ней используется особая модель, созданная по аналогии с мозгом – в основе используется нейронная связь.

Впервые словосочетание было введено в терминологию в 80-х годах, но распространение получило только с 2012 года, прежде не было компьютеров, способных обеспечить достаточную вычислительную мощность. Из-за недостатка производительности модель обучения была в пренебрежении.

Популярность приобрела после серии публикаций от известных учёных, ряда статей из научных журналов и подобного. Когда технологию начали развивать, крупные медиа заинтересовались этой сферой, впервые о Deep Learning заговорили в СМИ The New York Times. В основе был использован материал (научная работа) специалистов университета Торонто: Д. Хинтона, И Сатскевера, А. Крижевского. В основе работы лежали аналитические данные о распознании изображений ImageNet. По их наблюдениям значительным превосходством обладала нейросеть, созданная на основании глубокого обучения. Результативность системы достигла 85%. Это стало началом распространения нейросети и её постоянной победой в конкурсах.

# 3 — А что такое машинное обучение?

Является одной из сфер использования искусственного интеллекта, который описывает способы создания и построения алгоритмов. В основе используется собственный опыт программы, то есть специальный алгоритм программистом не закладывается. Человек остаётся безучастным, машина самостоятельно определяет оптимальный способ решения задачи на основании переданных данных.

Читать еще:  Что нужно знать для машинного обучения

Для ясности описанного рассмотрим пример: нужно обеспечить распознавание человека на фотографиях, от разработчика требуется предоставить порядка 10 000 картинок с отмеченными чертами человека, тогда программа в будущем сможет сама определять закономерности и выявлять очертания тела.

Для обучения не всегда используется учитель, порой ответы на вопросы машина находит самостоятельно без посторонней помощи. Замечено, что наилучшие результаты наступают при использовании учителя. С каждой обработкой данных система получает опыт и становится точнее.

# 4 — Принцип работы глубокого обучения

Его основная задача – воссоздать абстрактное мышление, которым обладает человек, тогда компьютер сможет обобщать параметры. Пример, обученная нейросеть при помощи учителя, плохо понимает рукописный шрифт, который отличается от человека к человеку. Чтобы улучшить результаты, машине придётся предоставить все способы написания, только тогда можно рассчитывать на правильное понимание почерков.

Deep Learning активно применяется во время взаимодействия с многослойными сетями, созданными искусственными путём. Поставленная задача для системы глубокого обучения достигает поставленной цели намного проще.

Сегодня существует 3 основных термина, которые сегодня сосуществуют и обладают приблизительно одним смыслом: Deep Learning , машинное обучение и искусственный интеллект. В действительности это разные понятия, которые являются вытекающими параметрами из других свойств:

  • Искусственный интеллект представляет собой наличие самых разнообразных алгоритмов действий, призванных имитировать человеческое решение поставленных задач. Примером является программа – простая игра в шахматы.
  • Машинное обучение является отраслью использования ИИ, здесь приложение не только решает поставленные задачи, но и записывает себе особенности решения для создания собственного опыта, упрощающего и уточняющего последующие действия. Пример — приложение шахмат изучает поведение соперника и учитывает его для дальнейшего перестроения тактики.
  • Глубокое обучение – это один из способов машинного обучения, в основе которых лежат нейронные сети. Во время игры в шахматы обучается преимущественно нейронная сеть.

# 5 — Способ работы глубокого обучения

Проиллюстрируем всё на простом примере: показываем роботу фотографии, где изображены девочки и мальчики. Изначально нейронная сеть обучается лишь распознавать перепады яркости. На втором слое сети уже появляется возможность распознавать окружности, углы. К третьему кругу — образы человека, половые отличия пока не учитываются, различные надписи. С каждым последующим кругом распознаваемые образы становятся сложнее. За счёт нейронной сети, машина самостоятельно вырабатывает представление, определяет важные визуальные образы и даже самостоятельно расстанавливает их в зависимости от важности. В будущем программа начнёт лучше понимать изображение.

6 — Что уже разработано?

Наибольшее количество проектов сегодня задействуют глубокое обучение для распознания изображений и определения аудиозаписей, хотя уже есть первые программы для диагностики болезней. Уже сегодня нейронные сети применяются в Google для приложения перевода текста с картинок. Используя Deep Learning, легче определить наличие букв на фотографиях и их контур, а затем программа переводит полученный текст.

Ещё интересный проект – DeepFace , он также специализируется на работе с фото, её разрабатывали для определения черт лица. Уже сегодня точность программы достигает 97,25%, такая же точность отмечается и у человека.

В 2016 году был запущен проект WaveNet от корпорации Google – это система для имитации человеческого голоса. Чтобы достичь качественного обучения в систему были загружены миллионы минут голосовых разговоров с сервисом Окей Google . После всего цикла обучения машина самостоятельно составила предложение, везде расставила правильные ударения, характерный акцент, без каких-либо неуместных пауз.

Нейронная сеть даже способна на семантическую сегментацию видео и фото, то есть система узнает о наличии человека на изображении и идеально точно определит контур лица. Сегодня технология активно используется в автомобилях с автопилотом, задача которых заключается в определении помех на дороге, разметки, знаков и других дорожных условий.

Нейросеть в медицинской отрасли помогает отличать диабетическую ретинопатию лишь предоставив фотографии глазных яблок человека. В США технология уже стоит на вооружении в клиниках.

7 — Почему глубокое обучение начало распространяться недавно?

Ранее применять технологию было крайне сложно, затратно и требовалось слишком много времени для обучения. Всё упиралось в недостаток мощности графических адаптеров и объёмов оперативной памяти. Из-за широкого распространения мощных графических процессоров, произошёл настоящий бум в этой сфере. Теперь они способны быстрее работать, стоят дешевле и практически не имеют ограничений по объёму хранилищ.

8 — Это прорыв, теперь всё изменится?

Невозможно однозначно ответить на вопрос, эксперты не пришли к единому мнению. Одна сторона отмечает, что миллиардные вложения со стороны Facebook, Google и других гигантов имеют смысл и приведут к ещё большему развитию технологии. Глубинное обучение уже готово преобразить весь мир технология – по мнению оптимистов. Заявление Эндрю Ынг сообщает «Если человеческий ум способен найти решение проблемы за несколько секунд, высока вероятность скорой оптимизации процесса». Этот разработчик называет Deep Learning «новым электричеством», сравнивая с главным прорывом человечества. Скорее всего те компании, которые не станут внедрять глубокое обучение, в скором будущем ощутят себя сильно отстающими от конкурирующих компаний.

Есть и скептики, которые заявляют, что глубокое обучение – не более чем модное слово. Одним из таких людей является Сергей Бартунов старший преподаватель компьютерных наук ВШЭ, он уверяет, что нейронные сети являются лишь одним из способов машинного обучения и далеко не лучшим.

11 новых книг по глубокому обучению

Если вас интересует Deep Learning и погружение в мир нейронных сетей, предлагаем вам ознакомиться с подборкой книг, которую мы подготовили. Собраны относительно новые книги — почти все из них написаны не позже 2018 года (кроме самой первой из списка). Вы найдёте работы таких авторов, как Николенко, Бурков, Гудфеллоу и многих других. Есть издания и на русском, и на английском языках.

«Глубокое обучение» — Я. Гудфеллоу, И, Бенджио, А. Курвилль, 2017 г.

Эту книгу называют одной из лучших из богатой современной библиотеки по глубокому обучению. Хоть она и написана сложным техническим языком, её осилит и новичок — настолько понятно и интересно подаётся материал. Здесь есть всё, начиная с математических основ, заканчивая методами DL, нейронными сетями, алгоритмами оптимизации, биоинформатикой и т. п.

Читать еще:  Предпринимательское дело обучение

«Глубокое обучение на Python» — Ф. Шолле, 2018 г.

Книга представляет собой учебник по Deep Learning-моделям в контексте применения Python и известной библиотеки Keras. Написана, кстати, создателем Keras. С помощью этой книги вы: — укрепите свои знания по соответствующим технологиям; — исследуете непростые концепции; — поработаете с приложениями из сферы компьютерного зрения, генеративных моделей, обработки естественного языка; — получите практические навыки использования DL.

«Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow» — Жерон О., 2018 г.

Если почти ничего не знаете о машинном обучении, эта книга для вас. Автор поставил себе задачу предоставить вам основные концепции, инструменты и знания, нужные для реализации программ, которые будут способны учиться на данных. Вы ознакомитесь со множеством методов, включая ту же линейную регрессию.

Из плюсов — будете использовать уже готовые к работе Python-платформы (Scikit-Learn, TensorFlow). Таким образом, изобретать велосипеды не придётся.

«Grokking Deep Learning» — Траск Э., 2019 г.

Вы испытаете все прелести погружения в мир нейронных сетей, ведь эта книга научит вас делать это с нуля. Ознакомитесь с устройством технологии глубокого изучения изнутри, узнаете, как учатся нейросети, как они распознают и анализируют изображения, переводят тексты и пишут, как Шекспир. Очень полезная вещь, особенно для тех, кто знаком с программированием и разбирается в математике. Скучно не будет.

«The Hundred-Page Machine Learning Book» — Бурков А., 2019 г.

Введение в ML от эксперта мирового уровня. Книга позволит начать реальную работу с машинным обучением в течение всего нескольких дней, для чего потребуется прочитать хотя бы первые 5 глав. Вы сэкономите время и быстро перейдёте к практике.

«Deep Reinforcement Learning Hands-On» — Лапань М., 2018 г.

Популярная вещь, посвящённая глубокому обучению. По сути, это исчерпывающее руководство, включающее в себя наиболее новые Deep learning-инструменты. Вы сможете оценивать методы, освоите перекрестную энтропию, научитесь применять знания в реальных условиях. Также овладеете основами обучения с подкреплением, создадите робота для акционной торговли, сможете использовать естественный язык в целях развития чат-ботов и прочее. Круто!

Сергей Николенко, А. Кадурин, Екатерина Архангельская – «Глубокое обучение. Погружение в мир нейронных сетей» — Николенко, С., Кадурин А., Архангельская Е., 2018 г.

Русских книг по глубокому обучению выходит немного, но эта, за авторством Николенко и других специалистов — одна из них. Отличное руководство для начинающих, которые искренне желают разобраться в нейросетях.

«The Book of Why» — Перл Д., 2018 г.

Книга о сути искусственного и человеческого интеллекта, написанная известным учёным. Здесь развеиваются стереотипы о причинно-следственных связях и не только. Позволяет понять всю ширину человеческого мышления.

«Introduction to Deep Learning» — Сканси С., 2018 г.

Кратко, просто, легко и доступно — прекрасное введение в ML. Здесь очень простые примеры для начинающих, что не может не радовать (даны на Python). А архитектурные решения и используемые алгоритмы интуитивно понятны практически любому новичку. Вы узнаете и про обучение нейросетей, и про обработку языка, и про нейросети с обратной связью, и про математические предпосылки и историю ИИ.

«Machine Learning Yearning» — Ын Э., 2018 г.

Как заставить работать ML-алгоритмы? Именно об этом вы узнаете в книге. А ещё рассмотрите расстановку приоритетов, диагностику ошибок, обучающие тестовые режимы, настройку проектов, особенности применения сквозного, трансферного и многозадачного обучения.

«Interpretable Machine Learning» — Молнар К., 2019 г.

Материал посвящён простым и интерпретируемым моделям. Прочитав эту книгу, вы поймёте, как сделать, чтобы модели, как и их решения, были понятны. Вы узнаете про деревья решений, про правила принятия решений, про правила линейной регрессии. Хорошо объясняются и методы интерпретации.

Особенность материала — ориентированность на практиков (учёных-статистиков). Издание будет полезно и другим специалистам, которые стремятся создавать максимально понятные модели машинного обучения.

Интересует Machine Learning? Запишитесь на профессиональные курсы OTUS! Также есть популярный курс по нейросетям:

книга

Грокаем глубокое обучение

  • [ Компьютерная литература / Программирование
  • | 6 августа 2019]


Название: Грокаем глубокое обучение
Автор: Траск Э.
Формат: PDF
Размер: 18 mb
Качество: Отличное
Язык: Русский
Год издания: 2019

Глубокое обучение — это раздел искусственного интеллекта, цель которого научить компьютеры обучаться с помощью нейронных сетей — технологии, созданной по образу и подобию человеческого мозга. Онлайн-переводчики, беспилотные автомобили, рекомендации по выбору товаров именно для вас и виртуальные голосовые помощники — вот лишь несколько достижений, которые стали возможны благодаря глубокому обучению.
«Грокаем глубокое обучение» научит конструировать нейронные сети с нуля! Эндрю Траск знакомит со всеми деталями и тонкостями этой нелегкой задачи. Python и библиотека NumPy способны научить ваши нейронные сети видеть и распознавать изображения, переводить любые тексты на все языки мира и даже писать не хуже Шекспира!
Содержание
Предисловие
Благодарности
О книге
Об авторе
1 Введение в глубокое обучение: зачем его изучать
2 Основные понятия: как учатся машины?
3 Введение в нейронное прогнозирование: прямое распространение
4 Введение в нейронное обучение: градиентный спуск
5 Корректировка сразу нескольких весов: обобщение градиентного спуска
6 Создание первой глубокой нейронной сети: введение в обратное распространение
7 Как изобразить нейронную сеть: в голове и на бумаге
8 Усиление сигнала и игнорирование шума: введение в регуляризацию и группировку
9 Моделирование случайности и нелинейности: функции активации
10 Края и углы нейронного обучения: введение в сверточные нейронные сети
11 Нейронные сети, понимающие человеческий язык: король — мужчина + женщина ==?
12 Нейронные сети, которые пишут как Шекспир: рекуррентные слои для данных переменной длины
13 Введение в автоматическую оптимизацию: создание фреймворка глубокого обучения
14 Обучаем сеть писать как Шекспир: долгая краткосрочная память
15 Глубокое обучение на конфиденциальных данных: введение в федеративное обучение
16 Куда пойти дальше: краткий путеводитель

djvu 46 mb — Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б.

pdf 10.3 mb — Бенгфорт Бенджамин, Билбро Ребекка, Охеда Тони

pdf 14,2 Мб — Ян Гудфеллоу, Аарон Курвилль, Иошуа Бенджио

Ссылка на основную публикацию
Adblock
detector
×
×