Passer aux informations produits
1 de 1

Deep Learning

Deep Learning

MIT Press

Goodfellow, Ian, Bengio, Yoshua et Courville, Aaron

Prix habituel CHF 126.00
Prix habituel Prix promotionnel CHF 126.00
Promotion Épuisé
Taxes incluses.

En stock

Quantité
Pages
800 pp.
Language
English
Author
Ian Goodfellow
Publisher
MIT Press
Date
2016-11-18
Binding
Hardcover
ISBN
9780262035613
Dimensions
7.2 po x 1.1 po x 9.1 po
Une introduction à un large éventail de sujets en apprentissage profond, couvrant les bases mathématiques et conceptuelles, les techniques d'apprentissage profond utilisées dans l'industrie, ainsi que les perspectives de recherche.

« Écrit par trois experts du domaine, Apprentissage Profond est le seul ouvrage complet sur le sujet. »
--Elon Musk, coprésident d'OpenAI ; cofondateur et directeur général de Tesla et SpaceX

L'apprentissage profond est une forme d'apprentissage automatique qui permet aux ordinateurs d'apprendre par l'expérience et de comprendre le monde selon une hiérarchie de concepts. Parce que l'ordinateur acquiert des connaissances par l'expérience, il n'est pas nécessaire qu'un opérateur humain spécifie formellement toutes les connaissances dont l'ordinateur a besoin. La hiérarchie des concepts permet à l'ordinateur d'apprendre des concepts complexes en les construisant à partir de concepts plus simples ; un graphe de ces hiérarchies serait composé de nombreuses couches. Ce livre présente un large éventail de sujets en apprentissage profond.

Le texte offre des bases mathématiques et conceptuelles, couvrant les notions pertinentes en algèbre linéaire, théorie des probabilités et théorie de l'information, calcul numérique et apprentissage automatique. Il décrit les techniques d'apprentissage profond utilisées par les praticiens dans l'industrie, notamment les réseaux profonds à propagation avant, la régularisation, les algorithmes d'optimisation, les réseaux convolutifs, la modélisation de séquences et la méthodologie pratique ; et il passe en revue des applications telles que le traitement automatique du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bioinformatique et les jeux vidéo. Enfin, le livre propose des perspectives de recherche, abordant des sujets théoriques tels que les modèles linéaires factoriels, les autoencodeurs, l'apprentissage de représentations, les modèles probabilistes structurés, les méthodes de Monte-Carlo, la fonction de partition, l'inférence approchée et les modèles génératifs profonds.

Apprentissage Profond peut être utilisé par des étudiants de premier ou second cycle envisageant une carrière dans l'industrie ou la recherche, ainsi que par des ingénieurs en logiciel souhaitant commencer à utiliser l'apprentissage profond dans leurs produits ou plateformes. Un site web propose du matériel complémentaire pour les lecteurs et les enseignants.

Afficher tous les détails