Математика и архитектура глубокого обучения Год издания: 2025 Автор: Чаудхури К. Переводчик: Киселев А. Издательство: Питер ISBN: 978-5-4461-4167-8 Серия: Библиотека программиста Язык: Русский Формат: PDF Качество: Издательский макет или текст (eBook) Интерактивное оглавление: Да Количество страниц: 576 Описание: 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.
Примеры страниц (скриншоты)
Оглавление
Предисловие 17
Введение 19
Благодарности 20
О книге 22
Об авторах 27
Иллюстрация на обложке 28
Глава 1. Обзор машинного и глубокого обучения 29
Глава 2. Векторы, матрицы и тензоры в машинном обучении 47
Глава 3. Классификаторы и векторное исчисление 117
Глава 4. Инструменты линейной алгебры в машинном обучении 153
Глава 5. Распределение вероятностей в машинном обучении 190
Глава 6. Байесовские инструменты в машинном обучении 241
Глава 7. Аппроксимация функций: как нейронные сети моделируют мир 291
Глава 8. Обучение нейронных сетей: прямое и обратное распространение ошибки 325
Глава 9. Функции потерь, оптимизация и регуляризация 355
Глава 10. Свертки в нейронных сетях 402
Глава 11. Нейронные сети для классификации изображений и обнаружения объектов 448
Глава 12. Многообразия, гомеоморфизм и нейронные сети 503
Глава 13. Полное байесовское оценивание параметров модели 512
Глава 14. Латентное пространство, генеративное моделирование и автокодировщики 535
Приложение 566
Обозначения 575
