2024-07-22
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