Електронна книга – цифрова версія продукту

Назва: Deep Learning

Формат файлу: pdf

Видавництво: Наукове видавництво PWN

Кількість сторінок: 900

Видання: 1

Рік видання: 2018

мова: польська

Опис:

Глибоке навчання – це тип системи машинного навчання, який дозволяє комп’ютерам навчатися на основі досвіду та розуміти світ у фантастичній ієрархії понять. Оскільки комп’ютер накопичує знання з досвіду, для визначення всіх необхідних комп’ютеру знань не потрібен нагляд людини. Ієрархія понять дозволяє комп’ютеру вивчати складні поняття, розширюючи їх із простіших елементів. Граф таких ієрархій буде мати багато рівнів.

Книга представляє широкий спектр тем у сфері глибокого навчання.

Зміст:

1. Вступ1

1.1. Кому варто прочитати цю книгу? 9

1.2. Історичні тенденції глибокого навчання 11

I Основи прикладної математики та машинного навчання27

2. Лінійна алгебра29

2.1. Скаляри, вектори, матриці та тензори 29

2.2. Множення матриць і векторів 32

2.3. Одиничні та обернені матриці 34

2.4. Лінійний зв'язок і діапазон 35

2.5. Стандарти 37

2.6. Матриці та спеціальні вектори 38

2.7. Розклад на власні значення 40

2.8. Декомпозиція сингулярного значення 42

2.9. Узагальнена обернена матриця (Мура-Пенроуза) 43

2.10. Оператор трасування 44

2.11. Визначник 45

2.12. Приклад: Аналіз головних компонентів 45

3. Теорія ймовірностей та інформації51

3.1. Чому ймовірність? 52

3.2. Випадкові величини 54

3.3. Розподіл ймовірностей 54

3.4. Гранична ймовірність 56

3.5. Умовна ймовірність 57

3.6. Ланцюгове правило в умовній ймовірності 57

3.7. Незалежність та умовна незалежність 58

3.8. Очікуване значення, дисперсія та коваріація 58

3.9. Відомі розподіли ймовірностей 60

3.10. Корисні властивості елементарних функцій 65

3.11. Закон Байєса 68

3.12. Технічні деталі неперервних змінних 68

3.13. Теорія інформації 70

3.14. Структурно-ймовірнісні моделі 73

4. Числові обчислення77

4.1. Надлишок і нестача 77

4.2. Погані умови 79

4.3. Оптимізація градієнта 79

4.4. Оптимізація з обмеженнями 89

4.5. Приклад: Лінійні найменші квадрати 92

5. Основи машинного навчання95

5.1. Алгоритми навчання 96

5.2. Місткість, переобладнання та недообладнання 108

5.3. Гіперпараметри та набори перевірки 118

5.4. Оцінювачі, зміщення та дисперсія 120

5.5. Метод максимальної правдоподібності 129

5.6. Байєсовська статистика 133

5.7. Алгоритми навчання під контролем 138

5.8. Алгоритми неконтрольованого навчання 143

5.9. Метод стохастичного градієнта 150

5.10. Створення алгоритму навчальної системи 152

5.11. Виклики мотивації глибокого навчання 153

II Глибинні мережі: сучасні практики163

6. Глибокі односпрямовані мережі165

6.1. Приклад: вивчення функції XOR 168

6.2. Градієнтне навчання 173

6.3. Приховані блоки 188

6.4. Архітектурне проектування 195

6.5. Зворотне поширення та інші алгоритми диференціювання 201

6.6. Історичні записки 221

7. Регулярізація в глибинному навчанні225

7.1. Стандартні штрафи за параметрами 227

7.2. Стандартні штрафи як обмежена оптимізація 234

7.3. Регуляризація та проблеми без обмежень 236

7.4. Збільшення набору даних 237

7.5. Завадостійкість 239

7.6. Напівконтрольоване навчання 241

7.7. Багатозадачне навчання 242

7.8. Дострокова зупинка 243

7.9. Параметри зв’язування та спільного використання 250

7.10. Рідко заповнені представлення 252

7.11. Укладання та інші командні методи 254

7.12. Відмова 256

7.13. Антагоністичний тренінг 266

7.14. Дотична відстань, поширення дотичної та класифікатор дотичної до різновиду 268

8. Оптимізація для навчання глибоких моделей273

8.1. Чим навчання відрізняється від чистої оптимізації 274

8.2. Виклики с

----

Важлива інформація про продукт:

ЕЛЕКТРОННА КНИГА – ЦИФРОВИЙ ПРОДУКТ

Ви можете завантажити файл у своєму обліковому записі Allegro на вкладці ''Моя полиця''.

Ви повинні мати обліковий запис на Allegro, щоб придбати електронну книгу.

Електронна книга буде захищена водяним знаком і не матиме DRM