Titre original :
Model-Based Deep Learning
Contenu du livre :
Le traitement du signal repose traditionnellement sur des techniques de modélisation statistique classiques. Ces méthodes basées sur des modèles utilisent des formulations mathématiques qui représentent la physique sous-jacente, des informations préalables et des connaissances supplémentaires sur le domaine.
Les modèles classiques simples sont utiles mais sensibles aux imprécisions et peuvent conduire à des performances médiocres lorsque les systèmes réels présentent un comportement complexe ou dynamique. Plus récemment, les approches d'apprentissage profond qui utilisent des réseaux neuronaux profonds (RNP) hautement paramétriques sont de plus en plus populaires. Les systèmes d'apprentissage profond ne reposent pas sur une modélisation mathématique et apprennent leur cartographie à partir de données, ce qui leur permet de fonctionner dans des environnements complexes.
Cependant, ils n'ont pas l'interprétabilité et la fiabilité des méthodes basées sur des modèles, nécessitent généralement de grands ensembles d'entraînement pour obtenir de bonnes performances et ont tendance à être complexes sur le plan informatique.
Les méthodes de traitement du signal basées sur des modèles et l'apprentissage profond centré sur les données ont chacune leurs avantages et leurs inconvénients. Ces paradigmes peuvent être caractérisés comme les bords d'un spectre continu variant en spécificité et en paramétrage.
Les méthodologies qui se situent au milieu de ce spectre, intégrant ainsi le traitement du signal basé sur un modèle et l'apprentissage profond, sont appelées apprentissage profond basé sur un modèle et font l'objet de la présente monographie. Cette monographie présente sous forme de tutoriel les méthodologies d'apprentissage profond basées sur des modèles. Il s'agit de familles d'algorithmes qui combinent des modèles mathématiques fondés sur des principes avec des systèmes basés sur des données afin de bénéficier des avantages des deux approches.
Ces méthodes d'apprentissage profond basées sur des modèles exploitent à la fois la connaissance partielle du domaine, via des structures mathématiques conçues pour des problèmes spécifiques, et l'apprentissage à partir de données limitées. La monographie comprend des exemples de traitement du signal en cours d'exécution, dans la super-résolution, le suivi de systèmes dynamiques et le traitement des réseaux. Il est montré comment ils sont exprimés en utilisant la caractérisation fournie et spécialisée dans chacune des méthodologies détaillées.
L'objectif est de faciliter la conception et l'étude de futurs systèmes à l'intersection du traitement du signal et de l'apprentissage automatique qui intègrent les avantages des deux domaines. Le code source des exemples numériques est disponible et reproductible sous forme de notebooks Python.
Autres informations sur le livre :
| ISBN : | 9781638282648 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
