Avis des lecteurs
Résumé:Le livre offre des perspectives pratiques pour la mise en œuvre de l'apprentissage automatique, en se concentrant particulièrement sur les réseaux de croyance profonds. Cependant, sa qualité est entachée par de nombreuses fautes de frappe et de mauvaises explications, ainsi que par un manque de contenu original d'un volume à l'autre. Alors que certains lecteurs l'ont trouvé utile pour l'apprentissage, d'autres l'ont critiqué comme étant un effort d'auto-publication de faible qualité.
Avantages:⬤ Pratique et perspicace
⬤ fournit une bonne compréhension de la mise en œuvre de l'apprentissage automatique
⬤ contient des exemples de code C++ utiles
⬤ améliore la compréhension des réseaux de croyance profonds
⬤ loué par certains comme une ressource absolument étonnante qui améliore la vitesse d'exécution et la précision.
⬤ Mauvaise qualité d'écriture avec de nombreuses fautes de frappe et des explications confuses
⬤ le contenu semble être recyclé d'un volume à l'autre
⬤ comprend trop de documentation sur le code
⬤ manque de diagrammes et de visuels clairs
⬤ beaucoup recommandent de meilleures ressources disponibles en ligne ou par d'autres moyens.
(basé sur 11 avis de lecteurs)
Titre original :
Deep Belief Nets in C++ and Cuda C: Volume 1: Restricted Boltzmann Machines and Supervised Feedforward Networks
Contenu du livre :
Découvrez les éléments essentiels des formes les plus courantes de réseaux de croyance profonds. À chaque étape, ce livre fournit une motivation intuitive, un résumé des équations les plus importantes pour le sujet et conclut avec un code hautement commenté pour le calcul threadé sur les CPU modernes ainsi que pour le traitement parallèle massif sur les ordinateurs avec des cartes d'affichage vidéo compatibles avec CUDA.
Premier d'une série de trois sur l'apprentissage profond et les réseaux de croyance en C++ et CUDA C, Deep Belief Nets in C++ and CUDA C : Volume 1 vous montre comment la structure de ces modèles élégants est beaucoup plus proche de celle du cerveau humain que des réseaux neuronaux traditionnels ; ils ont un processus de pensée capable d'apprendre des concepts abstraits construits à partir de primitives plus simples. Ainsi, vous verrez qu'un réseau de croyances profond typique peut apprendre à reconnaître des modèles complexes en optimisant des millions de paramètres, tout en restant résistant à l'overfitting.
Toutes les routines et tous les algorithmes présentés dans le livre sont disponibles dans le code à télécharger, qui contient également des bibliothèques de routines connexes.
Ce que vous apprendrez
⬤ Employer l'apprentissage profond à l'aide de C++ et CUDA C.
⬤ Travailler avec des réseaux feedforward supervisés.
⬤ Mettre en œuvre des machines de Boltzmann restreintes.
⬤ Utiliser des échantillonnages génératifs.
⬤ Découvrez pourquoi ils sont importants.
À qui s'adresse ce livre ?
Les personnes ayant au moins une connaissance de base des réseaux neuronaux et une certaine expérience de la programmation, même si des notions de C++ et de CUDA C sont recommandées.
Autres informations sur le livre :
| ISBN : | 9781484235904 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2018 |
| Nombre de pages : | 219 |
Achat:
Actuellement disponible, en stock.
