Architectures d'apprentissage profond : Une approche mathématique

Avis des lecteurs

Résumé:

Le livre sur l'apprentissage profond (Deep Learning) présente une exploration complète et mathématiquement riche du sujet. Il a été salué pour ses explications détaillées et ses preuves rigoureuses, mais critiqué pour son manque de relecture et d'organisation, qui a semé la confusion parmi les lecteurs. Alors que certains le considèrent comme le meilleur livre théorique sur l'apprentissage profond pour ceux qui ont un solide bagage mathématique, d'autres le trouvent mal écrit et truffé d'erreurs.

Avantages:

Couverture complète des aspects théoriques de l'apprentissage profond, contenu mathématique bien expliqué, preuves rigoureuses, sujets théoriques uniques, impression de haute qualité.

Inconvénients:

Mauvaise relecture avec de nombreuses erreurs, organisation désordonnée, peut être trop avancé pour les lecteurs sans une solide formation mathématique, sections décevantes sur la théorie analytique.

(basé sur 11 avis de lecteurs)

Titre original :

Deep Learning Architectures: A Mathematical Approach

Contenu du livre :

Problèmes d'introduction. - Fonctions d'activation.

- Fonctions de coût. - Algorithmes de recherche de minima. - Neurones abstraits.

- Réseaux neuronaux.

- Théorèmes d'approximation. - Apprentissage avec des entrées unidimensionnelles.

- Approximateurs universels. - Apprentissage exact. - Représentation de l'information.

- Évaluation de la capacité d'information. - Manifolds de sortie. - Neuromanifolds.

- Mise en commun. - Réseaux convolutifs.

- Réseaux neuronaux récurrents. - Classification. - Modèles génératifs.

- Réseaux stochastiques.

- Conseils et solutions.

Autres informations sur le livre :

• ISBN : 9783030367237
• Auteur : Ovidiu Calin
• Éditeur : Springer Nature
• Reliure : Broché