Глубокое обучение, Гудфеллоу Я., Бенджио И., Курвилль А., 2018.
Глубокое обучение — это вид машинного обучения, наделяющий компьютеры способностью учиться на опыте и понимать мир в терминах иерархии концепций. Книга содержит математические и концептуальные основы линейной алгебры, теории вероятностей и теории информации, численных расчетов и машинного обучения в том объеме, который необходим для понимания материала. Описываются приемы глубокого обучения, применяемые на практике, в том числе глубокие сети прямого распространения, регуляризация, алгоритмы оптимизации, сверточные сети, моделирование последовательностей и др. Рассматриваются такие приложения, как обработка естественных языков, распознавание речи, компьютерное зрение, онлайновые рекомендательные системы, биоинформатика и видеоигры.
Издание предназначено студентам вузов и аспирантам, а также опытным программистам, которые хотели бы применить глубокое обучение в составе своих продуктов или платформ.

Зачем нужна вероятность?
Во многих разделах информатики имеют дело в основном с детерминированными сущностями. Обычно программист может предполагать, что процессор выполняет машинные команды без ошибок. Аппаратные ошибки бывают, но они настолько редки, что в большинстве программ учитывать такую возможность необязательно. Однако если большинство теоретиков и инженеров-программистов работают в сравнительно стерильных и определенных условиях, то почему же в машинном обучении так часто используется теория вероятностей?
Машинное обучение по необходимости имеет дело с недостоверными, а иногда и стохастическими (недетерминированными) величинами. Недостоверность и недетерминированность проистекают из многих источников. Теоретические аргументы в пользу количественной оценки недостоверности с помощью теории вероятностей приводились уже в 1980-х годах. Многие перечисленные ниже аргументы взяты из работы Pearl (1988) или навеяны ей.
ОГЛАВЛЕНИЕ.
Веб-сайт.
Благодарности.
Обозначения.
Глава 1. Введение.
Часть I. Основы прикладной математики и машинного обучения.
Глава 2. Линейная алгебра.
Глава 3. Теория вероятностей и теория информации.
Глава 4. Численные методы.
Глава 5. Основы машинного обучения.
Часть II. Глубокие сети: современные подходы.
Глава 6. Глубокие сети прямого распространения.
Глава 7. Регуляризация в глубоком обучении.
Глава 8. Оптимизация в обучении глубоких моделей.
Глава 9. Сверточные сети.
Глава 10. Моделирование последовательностей: рекуррентные и рекурсивные сети.
Глава 11. Практическая методология.
Глава 12. Приложения.
Часть III. Исследования по глубокому обучению.
Глава 13. Линейные факторные модели.
Глава 14. Автокодировщики.
Глава 15. Обучение представлений.
Глава 16. Структурные вероятностные модели в глубоком обучении.
Глава 17. Методы Монте-Карло.
Глава 18. Преодоление трудностей, связанных со статической суммой.
Глава 19. Приближенный вывод.
Глава 20. Глубокие порождающие модели.
Список литературы.
Предметный указатель.
Купить .
Теги: учебник по программированию :: программирование :: Гудфеллоу :: Бенджио :: Курвилль