uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Tämä on luultavasti yksi kattavimmista ja ajantasaisimmista syväoppimisen katsauksista nykyään.

Syväoppimisen ala kukoistaa, ja viime aikoina on tullut suosittuja oppimateriaaleja.

Äskettäin MIT Pressin uusi kirja "Understanding Deep Learning" esitteli kiinalaisen version.

Tämä kirja on jaettu 21 lukuun, jotka kattavat monia syväoppimisen avainkäsitteitä, mukaan lukien perusrakenne, muuntaja-arkkitehtuuri, graafin neuroverkko GNN, vahvistusoppiminen RL, diffuusiomalli jne. Se on erittäin arvokas sekä aloittelijoille että kokeneille kehittäjille.

GitHub 链接: https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN

Alkuperäinen linkki kirjaan: https://udlbook.github.io/udlbook/

Tällä hetkellä kirjan englanninkielinen sähköinen versio on ladattu 344 000 kertaa.

Kirjan fyysinen versio julkaistiin virallisesti viime vuoden joulukuussa, yhteensä 541 sivua, mutta sen sähköistä versiota on päivitetty jatkuvasti. Tällä hetkellä verkkosivulla kirjoittaja tarjoaa myös 68 Python-muistikirjaharjoitusta, jotka voivat auttaa lukijoita syventämään ymmärrystään ohjelmointikäytännön kautta.

Tämän kirjan tarkoituksena on esitellä syväoppimisen perusideat ihmisille tarkasti ja helposti ymmärrettävällä tavalla, ja sen tarkoituksena on auttaa vasta aloittavia lukijoita ymmärtämään syvän oppimisen taustalla olevat periaatteet. Lukijat, jotka haluavat ymmärtää tämän kirjan sisällön syvällisesti, tarvitsevat vain perustutkintotason matematiikan tietämystä sen ymmärtämiseen.

Tarkemmin sanottuna kirja esittelee syvän oppimisen malleja alkuosissa ja keskustelee kuinka kouluttaa, arvioida näitä malleja ja miten parantaa niiden suorituskykyä. Seuraavissa osissa kirjoittaja opastaa meidät läpi arkkitehtuurit, jotka on suunniteltu erityisesti kuva-, teksti- ja graafidatalle. Seuraavat luvut käsittelevät generatiivisia malleja ja vahvistavaa oppimista. Toiseksi viimeisessä luvussa tarkastellaan näitä ja muita näkökohtia, joita ei vielä täysin ymmärretä. Viimeisessä luvussa käsitellään tekoälyn etiikkaa.

Sisällysluettelo

Luku 1 - Johdanto Johdanto

Luku 2 - Ohjattu oppiminen Ohjattu oppiminen

Luku 3 - Matalat neuroverkot Matalat neuroverkot

Luku 4 - Syvät neuroverkot Syvät hermoverkot

Luku 5 - Häviöfunktiot Häviöfunktio

Luku 6 - Sovitusmallien koulutusmalli

Luku 7 - Liukuvärit ja alustus Gradientti ja alustus

Luku 8 - Suorituksen mittaaminen Suorituskyvyn arviointi

Luku 9 - Laillistaminen Laillistaminen

Luku 10 - Konvoluutioverkot Konvoluutioverkot

Luku 11 - Jäännösverkot Jäännösverkot

Luku 12 - Muuntajat

Luku 13 - Graafinen neuroverkot Kuvaa neuroverkot

Luku 14 - Ohjaamaton oppiminen Ohjaamaton oppiminen

Luku 15 - Generatiiviset kontradiktoriset verkot

Luku 16 - Virtojen normalisointi Virtojen standardointi

Luku 17 - Vaihtelevat autoenkooderit Vaihtelevat autoenkooderit

Luku 18 - Diffuusiomallit Diffuusiomallit

Luku 19 - Syvävahvistusoppiminen Syvävahvistusoppiminen

Luku 20 - Miksi syväoppiminen toimii?

Luku 21 - Syväoppiminen ja etiikka Syväoppiminen ja etiikka

kirjailijasta

Teoksen "Deepth Understanding of Deep Learning" on kirjoittanut Simon JD Prince, Bathin yliopiston tietojenkäsittelytieteen professori. Hän keskittyy tietokonenäköön ja tietokonegrafiikkaan.

LinkedInin tietojen mukaan Simon JD Prince on ollut tietotekniikan ja tekoälytutkimuksen parissa tutkimuslaitoksissa yli kymmenen vuoden ajan. Hän toimi esimerkiksi ohjelmistokehitysyhtiö Anthropics Technologyn päätutkijana 7 vuotta. Vuonna 2022 hän liittyi Bathin yliopistoon emeritusprofessoriksi.

Simon JD Prince on julkaissut yli 50 artikkelia huippukonferensseissa (CVPR, ICCV, SIGGRAPH jne.). Hän on myös kirjoittanut teoksen Computer Vision: Models, Learning, and Inference.

https://x.com/tuturetom/status/1814689613304508777