Avis des lecteurs
Résumé:Ce livre s'adresse à ceux qui s'intéressent à la science des données et à l'apprentissage automatique, en fournissant une introduction bien structurée aux concepts mathématiques nécessaires. Bien qu'il engage efficacement les lecteurs et relie les mathématiques aux applications d'apprentissage automatique, certains évaluateurs estiment qu'il manque de profondeur dans certains domaines et qu'il pourrait bénéficier d'exercices pratiques. Dans l'ensemble, il est considéré comme une bonne ressource pour les apprenants motivés ayant des connaissances préalables en mathématiques.
Avantages:⬤ Fournit une analyse claire des réseaux neuronaux et des cadres statistiques.
⬤ Convient à ceux qui souhaitent se lancer dans la science des données, en particulier s'ils ont une formation technique.
⬤ Rédaction attrayante qui relie les concepts mathématiques à l'apprentissage automatique.
⬤ Bon formatage pour Kindle.
⬤ Couvre les mathématiques de premier et second cycle dans le contexte des applications Python.
⬤ Nécessite de solides connaissances en mathématiques, ce qui peut constituer un obstacle pour certains lecteurs.
⬤ Il manque un ensemble d'exercices pratiques pour appliquer les concepts de manière concrète.
⬤ Certains évaluateurs ont trouvé que l'accent mis sur des sujets non pertinents, tels que le problème de Monty Hall, détournait l'attention des applications pratiques de l'apprentissage profond.
⬤ Décrit par certains comme trop superficiel pour une avancée sérieuse dans le domaine de l'apprentissage profond.
(basé sur 7 avis de lecteurs)
Titre original :
Math for Deep Learning: What You Need to Know to Understand Neural Networks
Contenu du livre :
Les mathématiques pour l'apprentissage profond fournissent les mathématiques essentielles dont vous avez besoin pour comprendre les discussions sur l'apprentissage profond, explorer des implémentations plus complexes et mieux utiliser les outils d'apprentissage profond.
Avec Math for Deep Learning, vous apprendrez les mathématiques essentielles utilisées par et en arrière-plan de l'apprentissage profond.
Vous travaillerez sur des exemples Python pour apprendre les sujets clés liés à l'apprentissage profond en probabilité, statistiques, algèbre linéaire, calcul différentiel et calcul matriciel, ainsi que la façon d'implémenter le flux de données dans un réseau neuronal, la rétropropagation et la descente de gradient. Vous utiliserez également Python pour travailler sur les mathématiques qui sous-tendent ces algorithmes et même pour construire un réseau neuronal entièrement fonctionnel.
En outre, vous trouverez une couverture de la descente de gradient, y compris les variations couramment utilisées par la communauté de l'apprentissage profond : SGD, Adam, RMSprop, et Adagrad/Adadelta.
Autres informations sur le livre :
| ISBN : | 9781718501904 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
