Узнайте, что происходит внутри черного ящика! Для использования глубокого обучения вам придется подготовить данные, выбрать правильную модель, обучить ее. оценить качество и точность и предусмотреть обработку неопределенности и изменчивости в выходных данных развернутого решения. Эта книга шаг за шагом знакомит с основными математическими концепциями, которые пригодятся вам как специалисту по данным, — с векторным исчислением, линейной алгеброй и байесовским выводом, представляя их с точки зрения глубокого обучения.
Авторы объясняют математику, теорию и принципы построения моделей глубокого обучения, а затем демонстрируют применение теории на практике, приводя фрагменты программного кода на Python с подробными комментариями. В книге вы пройдете путь от основ алгебры, исчисления и статистики до современных архитектур глубокого обучения, ставших результатом новейших исследований.
ГЕОМЕТРИЧЕСКИЙ ВЗГЛЯД НА МАШИННОЕ ОБУЧЕНИЕ.
Каждый элемент входных данных модели мозга кошки представлен массивом из двух чисел, х0 (обозначает твердость объекта) и х1 (обозначает остроту объекта), или, что эквивалентно, вектором х размером 2x1. Такой вектор можно представить как точку в многомерном пространстве. Входное пространство часто называют пространством признаков — пространством всех характерных признаков, которые должна исследовать модель. В нашем случае размерность пространства признаков равна двум, но в реальных задачах она может исчисляться сотнями, тысячами и даже большим количеством измерений. Точная размерность входных данных меняется от задачи к задаче, но интуитивное представление в виде точки остается неизменным.
Выход у тоже следует рассматривать как точку в другом многомерном пространстве. В данной задаче размерность выходного пространства равна единице, в реальных задачах может быть намного больше, но чаще всего она меньше размерности пространства признаков.
С геометрической точки зрения модель машинного обучения отображает точку из пространства признаков в точку в выходном пространстве. Предполагается, что классификацию или вычисление оценки моделью проще выполнить в выходном пространстве, чем в пространстве признаков. В частности, в задаче классификации входные точки, принадлежащие отдельным классам, будут отображаться в обособленные кластеры в выходном пространстве.
ОГЛАВЛЕНИЕ.
Предисловие.
Введение.
Благодарности.
О книге.
Об авторах.
Иллюстрация на обложке.
Глава 1. Обзор машинного и глубокого обучения.
Глава 2. Векторы, матрицы и тензоры в машинном обучении.
Глава 3. Классификаторы и векторное исчисление.
Глава 4. Инструменты линейной алгебры в машинном обучении.
Глава 5. Распределение вероятностей в машинном обучении.
Глава 6. Байесовские инструменты в машинном обучении.
Глава 7. Аппроксимация функций: как нейронные сети моделируют мир.
Глава 8. Обучение нейронных сетей: прямое и обратное распространение ошибки.
Глава 9. Функции потерь, оптимизация и регуляризация.
Глава 10. Свертки в нейронных сетях.
Глава 11. Нейронные сети для классификации изображений и обнаружения объектов.
Глава 12. Многообразия, гомеоморфизм и нейронные сети.
Глава 13. Полное байесовское оценивание параметров модели.
Глава 14. Латентное пространство, генеративное моделирование и автокодировщики.
Приложение.
Обозначения.
Бесплатно скачать электронную книгу в удобном формате, смотреть и читать:
Скачать книгу Математика и архитектура глубокого обучения, Кришнанду Ч., 2026 - fileskachat.com, быстрое и бесплатное скачивание.
Скачать pdf
Ниже можно купить эту книгу, если она есть в продаже, и похожие книги по лучшей цене со скидкой с доставкой по всей России.Купить книги
Скачать - pdf - Яндекс.Диск.
Дата публикации:
Теги: учебник по информатике :: информатика :: компьютеры :: Кришнанду :: автокодировщик :: нейросеть
Смотрите также учебники, книги и учебные материалы:
Предыдущие статьи:
