Avis des lecteurs
Résumé:Le livre « Deep Learning » de Ian Goodfellow, Yoshua Bengio et Aaron Courville est salué pour sa couverture complète des sujets avancés de l'apprentissage profond, offrant une perspective unique et un aperçu approfondi du domaine. Cependant, il est critiqué pour la mauvaise qualité de l'impression, le manque de clarté du ciblage du public et la densité de la présentation mathématique, ce qui le rend moins accessible aux débutants.
Avantages:⬤ Une couverture complète des sujets liés à l'apprentissage profond et des recherches récentes.
⬤ Excellentes explications des concepts avancés.
⬤ Inclusion des fondements théoriques et des considérations pratiques.
⬤ Rédigé par des experts de premier plan dans le domaine.
⬤ Structure bien organisée, divisée en concepts mathématiques, techniques et applications.
⬤ La notation mathématique dense peut rendre des concepts simples difficiles à saisir.
⬤ Suppose de solides connaissances en algèbre linéaire et en calcul, ce qui peut rebuter les débutants.
⬤ Certains lecteurs trouvent que le style d'écriture est sec et manque de fluidité pédagogique.
⬤ La qualité de l'impression et de la reliure de certaines éditions est médiocre.
⬤ Le public visé n'est pas clairement défini ; il se peut que l'ouvrage ne soit pas adapté aux praticiens qui recherchent des applications pratiques.
(basé sur 673 avis de lecteurs)
Titre original :
Deep Learning
Contenu du livre :
Une introduction à un large éventail de sujets sur l'apprentissage profond, couvrant le contexte mathématique et conceptuel, les techniques d'apprentissage profond utilisées dans l'industrie et les perspectives de recherche.
"Rédigé par trois experts du domaine, Deep Learning est le seul ouvrage complet sur le sujet.
Elon Musk, coprésident de l'OpenAI, cofondateur et PDG de Tesla et SpaceX.
L'apprentissage profond est une forme d'apprentissage automatique qui permet aux ordinateurs d'apprendre par l'expérience et de comprendre le monde en termes de hiérarchie de concepts. Étant donné que l'ordinateur acquiert des connaissances par l'expérience, il n'est pas nécessaire qu'un opérateur informatique humain spécifie formellement toutes les connaissances dont l'ordinateur a besoin. La hiérarchie des concepts permet à l'ordinateur d'apprendre des concepts complexes en les construisant à partir de concepts plus simples. Ce livre présente un large éventail de sujets relatifs à l'apprentissage profond.
Le texte offre un contexte mathématique et conceptuel, couvrant les concepts pertinents de l'algèbre linéaire, de la théorie des probabilités et de la théorie de l'information, du calcul numérique et de l'apprentissage automatique. Il décrit les techniques d'apprentissage profond utilisées par les praticiens dans l'industrie, y compris les réseaux avancés profonds, la régularisation, les algorithmes d'optimisation, les réseaux convolutifs, la modélisation des séquences et la méthodologie pratique ; et il passe en revue des applications telles que le traitement du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bio-informatique et les jeux vidéo. Enfin, le livre offre des perspectives de recherche, couvrant des sujets théoriques tels que les modèles factoriels linéaires, les autoencodeurs, l'apprentissage par représentation, les modèles probabilistes structurés, les méthodes de Monte Carlo, la fonction de partition, l'inférence approximative et les modèles génératifs profonds.
Deep Learning peut être utilisé par des étudiants de premier ou de deuxième cycle qui envisagent une carrière dans l'industrie ou la recherche, ainsi que par des ingénieurs en logiciel qui souhaitent commencer à utiliser l'apprentissage profond dans leurs produits ou plates-formes. Un site web propose du matériel supplémentaire pour les lecteurs et les enseignants.
Autres informations sur le livre :
| ISBN : | 9780262035613 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Relié |
| Année de publication : | 2016 |
| Nombre de pages : | 800 |
Achat:
Actuellement disponible, en stock.
