Jedinečná akce 10 knih za 250 Kč je tady! 
Knihobot

Ian Goodfellow Knihy

    Ian J. Goodfellow je výzkumník v oblasti strojového učení, který se zaměřuje na pokročilé techniky a jejich aplikace. Jeho práce často zkoumá hranice umělé inteligence a její potenciální dopady na společnost. Goodfellowův přístup je charakteristický svou hloubkou a inovacemi v neustále se vyvíjejícím oboru. Jeho výzkum přispívá k formování budoucnosti technologie.

    Deep learning
    DEEP LEARNING WSPÓŁCZESNE SYSTEMY UCZĄCE SIĘ

    • DEEP LEARNING WSPÓŁCZESNE SYSTEMY UCZĄCE SIĘ

      4,0(3)Ohodnotit

      Deep learning to rodzaj systemu uczącego się, który pozwala komputerom na naukę na podstawie doświadczeń i zrozumienie świata w sennie hierarchii pojęć. Ponieważ komputer gromadzi wiedzę na podstawie doświadczeń, nie potrzebny jest nadzór człowieka w celu określenia całej wiedzy potrzebnej komputerowi. Hierarchia pojęć pozwala komputerowi uczyć się skomplikowanych pojęć rozbudowując je na podstawie prostszych elementów. Graf takich hierarchii będzie miał głębokość wielu warstw. Książka wprowadza szeroki zakres tematów z zakresu deep learning. Informacja o autorze/ redaktorze: Ian Goodfellow jest naukowcem w OpenAI. Yoshua Bengio, pracuje na stanowisku profesora informatyki na uniwersytecie w Monteralu. Aaron Courville adiunktem informatyki na tej samej uczelni.

      DEEP LEARNING WSPÓŁCZESNE SYSTEMY UCZĄCE SIĘ

    • Deep learning

      Das Buch bietet eine umfassende Behandlung moderner Verfahren im Bereich des Deep Learning, einschließlich tiefer Feedforward-Netze, Regularisierung, Performance-Optimierung sowie Convolutional Neural Networks (CNNs) und rekurrenter neuronaler Netze. Es beleuchtet auch zukunftsweisende Ansätze und Konzepte wie Generative Adversarial Networks, die von Ian Goodfellow entwickelt wurden. Deep Learning, ein Teilbereich des Machine Learning, ermöglicht es Computern, aus Erfahrungen zu lernen. Der Inhalt ist in drei Teile gegliedert: Teil I behandelt die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze und Machine Learning, einschließlich linearer Algebra, Wahrscheinlichkeits- und Informationstheorie, bayesscher Statistik und numerischer Berechnung. Teil II fokussiert auf aktuelle Verfahren und Algorithmen, die in der Praxis eingesetzt werden, wie tiefe Feedforward-Netze, Regularisierung, Optimierung beim Training tiefer Modelle sowie Sequenzmodellierung. Teil III gibt Einblicke in aktuelle Forschungsansätze und innovative Verfahren, darunter lineare Faktorenmodelle, Autoencoder, probabilistische graphische Modelle und tiefe generative Modelle wie Restricted Boltzmann Machines und Variational Autoencoder. Das Buch richtet sich an Studierende, Forscher und Softwareentwickler mit Grundkenntnissen in Mathematik, Informatik und Programmierung, die Deep Learning für eigene Projekte nutzen möchten.

      Deep learning