Note :
Ce livre est une ressource académique complète pour comprendre les principes fondamentaux de l'apprentissage profond, mettant l'accent sur la théorie et les algorithmes, avec des explications claires et une couverture étendue des développements récents dans le domaine. Cependant, il manque des exemples de programmation pratiques et une discussion sur l'intégration.
Avantages:Bien organisé avec des explications claires, il couvre les concepts fondamentaux de l'apprentissage profond et les mathématiques pertinentes, fournit des mises à jour complètes, y compris les modèles de grands langages et les architectures modernes, et inclut de nombreux exercices pour renforcer les concepts.
Inconvénients:N'inclut pas d'exemples pratiques de programmation ou de solutions pour les exercices, manque une discussion sur les embeddings, et nécessite de solides connaissances en calcul et en algèbre linéaire.
(basé sur 7 avis de lecteurs)
Neural Networks and Deep Learning: A Textbook
Ce manuel couvre les modèles classiques et modernes de l'apprentissage profond et inclut des exemples et des exercices tout au long des chapitres. Les méthodes d'apprentissage profond pour divers domaines de données, tels que le texte, les images et les graphiques, sont présentées en détail. Les chapitres de ce livre se répartissent en trois catégories :
Les bases des réseaux neuronaux : L'algorithme de rétropropagation est abordé au chapitre 2.
De nombreux modèles traditionnels d'apprentissage automatique peuvent être considérés comme des cas particuliers de réseaux neuronaux. Le chapitre 3 explore les liens entre l'apprentissage automatique traditionnel et les réseaux neuronaux. Les machines à vecteurs de support, la régression linéaire/logistique, la décomposition de la valeur singulière, la factorisation de la matrice et les systèmes de recommandation se révèlent être des cas particuliers de réseaux neuronaux.
Les chapitres 4 et 5 présentent une discussion détaillée sur l'apprentissage et la régularisation. Les chapitres 6 et 7 présentent les réseaux de fonctions à base radiale (RBF) et les machines de Boltzmann restreintes.
Les chapitres 8, 9 et 10 traitent des réseaux neuronaux récurrents, des réseaux neuronaux convolutifs et des réseaux neuronaux graphiques. Plusieurs sujets avancés tels que l'apprentissage par renforcement profond, les mécanismes d'attention, les réseaux transformateurs, les cartes auto-organisatrices de Kohonen et les réseaux adversaires génératifs sont présentés dans les chapitres 11 et 12.
Ce manuel s'adresse aux étudiants de troisième cycle et aux étudiants de premier cycle supérieur. Les chercheurs et les praticiens travaillant dans ce domaine souhaiteront également l'acquérir.
Dans la mesure du possible, un point de vue centré sur les applications est mis en évidence afin de permettre une compréhension des utilisations pratiques de chaque catégorie de techniques.
La deuxième édition a été considérablement réorganisée et élargie avec des chapitres distincts sur la rétropropagation et les réseaux neuronaux graphiques. De nombreux chapitres ont été considérablement révisés par rapport à la première édition.
L'accent est mis sur les idées modernes d'apprentissage profond telles que les mécanismes d'attention, les transformateurs et les modèles de langage pré-entraînés.
| ISBN : | 9783031296413 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
| Année de publication : | 2023 |
| Nombre de pages : | 529 |
Actuellement disponible, en stock.
© Book1 Group - tous droits réservés.
Le contenu de ce site ne peut être copié ou utilisé, en tout ou en partie, sans l'autorisation écrite du propriétaire.
Dernière modification: 2024.11.14 07:32 (GMT)
