Fundraising September 15, 2024 – October 1, 2024 About fundraising

Прикладное глубокое обучение: подход к пониманию глубоких...

Прикладное глубокое обучение: подход к пониманию глубоких нейронных сетей на основе метода кейсов

Умберто Микелуччи
How much do you like this book?
What’s the quality of the file?
Download the book for quality assessment
What’s the quality of the downloaded files?

       В книге затронуты современные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки
глубоких нейронных сетей.

       Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а
также более сложные нейросетевые архитектуры с многочисленными слоями и
нейронами.

       Продемонстрирована отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с
использованием сложных наборов данных.

       Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому
техническому решению даны примеры решения практических задач.

       Чему вы научитесь:

          - Правильно внедрять передовые методы в Python и TensorFlow

          - Выполнять отладку и оптимизацию продвинутыми методами

          - Проводить анализ ошибок

          - Настраивать проект машинного обучения, ориентированный на глубокое обучение на сложном
наборе данных.

      Для освоения изложенного в книге материала достаточен средний уровень понимания машинного
обучения, линейной алгебры, математического анализа и  базовый уровень программирования на Python.

 Перевод с английского Андрея Логунова.


Year:
2020
Publisher:
БХВ-Петербург
Language:
russian
Pages:
368
ISBN 10:
597754118X
ISBN 13:
9785977541183
File:
PDF, 40.35 MB
IPFS:
CID , CID Blake2b
russian, 2020
Read Online
Conversion to is in progress
Conversion to is failed

Most frequently terms