Abstract | Keywords | Export | Availability | Bookmark

Choose an application

• Reference Manager
• EndNote
• RefWorks (Direct export to RefWorks)

Une introduction à un large éventail de sujets dans l’apprentissage profond, couvrant le contexte mathématique et conceptuel, les techniques d’apprentissage profond utilisées dans l’industrie et les perspectives de recherche. Le Deep Learning est une forme d’apprentissage automatique qui permet aux ordinateurs d’apprendre de l’expérience et de comprendre le monde en termes de hiérarchie de concepts. Étant donné que l’ordinateur recueille des connaissances à partir de l’expérience, il n’est pas nécessaire qu’un opérateur informatique humain spécifie formellement toutes les connaissances dont l’ordinateur a besoin. La hiérarchie des concepts permet à l’ordinateur d’apprendre des concepts compliqués en les construisant à partir de concepts plus simples; un graphique de ces hiérarchies aurait plusieurs couches de profondeur. Ce livre présente un large éventail de sujets dans l’apprentissage profond. Le texte offre un contexte mathématique et conceptuel, couvrant des concepts pertinents 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 de l’industrie, y compris les réseaux d’alimentation en profondeur, la régularisation, les algorithmes d’optimisation, les réseaux convolutifs, la modélisation de séquences et la méthodologie pratique; et il étudie des applications telles que le traitement 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 offre des perspectives de recherche, couvrant des sujets théoriques tels que les modèles factoriels linéaires, les autoencodeurs, l’apprentissage de la représentation, les modèles probabilistes structurés, les méthodes de Monte-Carlo, la fonction de partition, l’inférence approximative et les modèles génératifs profonds. L’apprentissage profond peut être utilisé par les étudiants de premier cycle ou des cycles supérieurs qui planifient une carrière dans l’industrie ou la recherche, et par les ingénieurs logiciels qui souhaitent commencer à utiliser l’apprentissage profond dans leurs produits ou plates-formes. Un site Web offre du matériel supplémentaire pour les lecteurs et les instructeurs (à partir du site Web des éditeurs).

Probability theory --- Information systems --- Artificial intelligence. Robotics. Simulation. Graphics --- Mathematical linguistics --- analyse (wiskunde) --- Machine learning. --- Artificiële intelligentie --- Machine learning --- Learning, Machine --- Artificial intelligence --- Machine theory --- למידה חשובית --- Apprentissage automatique --- Machine Learning --- Apprentissage automatique. --- Transfer Learning --- Learning, Transfer --- Machinaal leren --- 681.3*I2 --- 681.3*I2 Artificial intelligence. AI --- Artificial intelligence. AI --- deep learning --- machine learning --- artificiële intelligentie (AI) --- Informatique --- Intelligence artificielle --- Aprenentatge profund --- Aprenentatge automàtic