nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Il s’agit probablement de l’un des aperçus les plus complets et les plus récents de l’apprentissage profond disponibles aujourd’hui.

Le domaine de l’apprentissage profond est en plein essor et, depuis peu, des supports d’apprentissage populaires sont apparus.

Récemment, le nouveau livre « Understanding Deep Learning » de MIT Press a inauguré la version chinoise.

Ce livre est divisé en 21 chapitres, couvrant de nombreux concepts clés dans le domaine de l'apprentissage profond, notamment la construction de base, l'architecture du transformateur, le réseau neuronal graphique GNN, l'apprentissage par renforcement RL, le modèle de diffusion, etc. Il est extrêmement précieux pour les développeurs débutants et expérimentés.

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

Lien original du livre : https://udlbook.github.io/udlbook/

Actuellement, la version électronique anglaise du livre a été téléchargée 344 000 fois.

La version physique du livre a été officiellement publiée en décembre de l'année dernière, avec un total de 541 pages, mais sa version électronique a été continuellement mise à jour. Actuellement sur le site Web, l'auteur propose également 68 exercices de cahier Python, qui peuvent aider les lecteurs à approfondir leur compréhension grâce à la pratique de la programmation.

Ce livre espère présenter les idées de base de l'apprentissage profond aux gens d'une manière précise et facile à comprendre, et vise à aider les lecteurs qui débutent à comprendre les principes qui sous-tendent l'apprentissage profond. Pour les lecteurs qui souhaitent comprendre le contenu de ce livre en profondeur, seules des connaissances en mathématiques de premier cycle sont nécessaires pour le comprendre.

Plus précisément, le livre présente les modèles d'apprentissage profond dans les premières parties et explique comment former, évaluer ces modèles et comment améliorer leurs performances. Dans les sections suivantes, l'auteur nous présente des architectures spécifiquement conçues pour les données d'images, de texte et de graphiques. Les chapitres suivants explorent les modèles génératifs et l’apprentissage par renforcement. L’avant-dernier chapitre explore ces aspects ainsi que d’autres qui ne sont pas encore entièrement compris. Le dernier chapitre traite de l’éthique de l’IA.

Table des matières

Chapitre 1 - Introduction Introduction

Chapitre 2 - Apprentissage supervisé Apprentissage supervisé

Chapitre 3 - Réseaux de neurones peu profonds Réseaux de neurones peu profonds

Chapitre 4 - Réseaux de neurones profonds Réseaux de neurones profonds

Chapitre 5 - Fonctions de perte Fonction de perte

Chapitre 6 - Ajustement du modèle de formation des modèles

Chapitre 7 - Dégradés et initialisation Dégradé et initialisation

Chapitre 8 - Mesurer la performance Évaluation des performances

Chapitre 9 - Régularisation Régularisation

Chapitre 10 - Réseaux convolutifs Réseaux convolutifs

Chapitre 11 - Réseaux résiduels Réseaux résiduels

Chapitre 12 - Transformateurs

Chapitre 13 - Réseaux de neurones graphiques Réseaux de neurones graphiques

Chapitre 14 - Apprentissage non supervisé Apprentissage non supervisé

Chapitre 15 - Réseaux contradictoires génératifs Réseaux contradictoires génératifs

Chapitre 16 - Normalisation des flux Normalisation des flux

Chapitre 17 - Auto-encodeurs variationnels Auto-encodeurs variationnels

Chapitre 18 - Modèles de diffusion Modèles de diffusion

Chapitre 19 - Apprentissage par renforcement profond Apprentissage par renforcement profond

Chapitre 20 - Pourquoi l'apprentissage profond fonctionne-t-il ?

Chapitre 21 - Deep learning et éthique Deep learning et éthique

A propos de l'auteur

L'auteur de « Compréhension approfondie du Deep Learning » est Simon JD Prince, professeur d'informatique à l'Université de Bath au Royaume-Uni. Il se concentre sur la vision par ordinateur et l'infographie.

Selon les informations de LinkedIn, Simon JD Prince est engagé dans la recherche en informatique et en IA dans des instituts de recherche depuis plus de dix ans. Par exemple, il a été scientifique en chef de la société de développement de logiciels Anthropics Technology pendant 7 ans. En 2022, il rejoint l’Université de Bath en tant que professeur émérite.

Simon JD Prince a publié plus de 50 articles lors de conférences de premier plan (CVPR, ICCV, SIGGRAPH, etc.). Il est également l'auteur de Computer Vision: Models, Learning, and Inference.

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