Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Αυτή είναι ίσως μια από τις πιο ολοκληρωμένες και ενημερωμένες επισκοπήσεις της βαθιάς μάθησης που είναι διαθέσιμες σήμερα.

Ο τομέας της βαθιάς μάθησης ανθεί, και πρόσφατα υπάρχουν δημοφιλή εκπαιδευτικά υλικά.

Πρόσφατα, το νέο βιβλίο "Understanding Deep Learning" από το MIT Press εγκαινίασε την κινεζική έκδοση.

Αυτό το βιβλίο χωρίζεται σε 21 κεφάλαια, καλύπτοντας πολλές βασικές έννοιες στον τομέα της βαθιάς μάθησης, συμπεριλαμβανομένης της βασικής κατασκευής, της αρχιτεκτονικής μετασχηματιστών, του νευρωνικού δικτύου γραφημάτων GNN, της ενίσχυσης εκμάθησης RL, του μοντέλου διάχυσης κ.λπ. Είναι εξαιρετικά πολύτιμο τόσο για αρχάριους όσο και για έμπειρους προγραμματιστές.

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

Πρωτότυπος σύνδεσμος του βιβλίου: https://udlbook.github.io/udlbook/

Αυτήν τη στιγμή, η αγγλική ηλεκτρονική έκδοση του βιβλίου έχει ληφθεί 344.000 φορές.

Η φυσική έκδοση του βιβλίου κυκλοφόρησε επίσημα τον Δεκέμβριο του περασμένου έτους, με συνολικά 541 σελίδες, αλλά η ηλεκτρονική του έκδοση ενημερώνεται συνεχώς. Επί του παρόντος στον ιστότοπο, ο συγγραφέας παρέχει επίσης 68 ασκήσεις σημειωματάριων Python, οι οποίες μπορούν να βοηθήσουν τους αναγνώστες να εμβαθύνουν την κατανόησή τους μέσω της πρακτικής προγραμματισμού.

Αυτό το βιβλίο ελπίζει να εισαγάγει τις βασικές ιδέες της βαθιάς μάθησης στους ανθρώπους με έναν ακριβή και κατανοητό τρόπο και στοχεύει να βοηθήσει τους αναγνώστες που μόλις ξεκινούν να κατανοήσουν τις αρχές πίσω από τη βαθιά μάθηση. Για τους αναγνώστες που θέλουν να κατανοήσουν το περιεχόμενο αυτού του βιβλίου σε βάθος, απαιτούνται μόνο προπτυχιακές γνώσεις μαθηματικών για να το κατανοήσουν.

Συγκεκριμένα, το βιβλίο εισάγει μοντέλα βαθιάς μάθησης στα πρώτα μέρη και συζητά πώς να εκπαιδεύσετε, να αξιολογήσετε αυτά τα μοντέλα και πώς να βελτιώσετε την απόδοσή τους. Στις επόμενες ενότητες, ο συγγραφέας μας οδηγεί σε αρχιτεκτονικές που έχουν σχεδιαστεί ειδικά για δεδομένα εικόνας, κειμένου και γραφήματος. Τα επόμενα κεφάλαια διερευνούν τα παραγωγικά μοντέλα και την ενισχυτική μάθηση. Το προτελευταίο κεφάλαιο διερευνά αυτές και άλλες πτυχές που δεν είναι ακόμη πλήρως κατανοητές. Το τελευταίο κεφάλαιο εξετάζει την ηθική της τεχνητής νοημοσύνης.

Πίνακας περιεχομένων

Κεφάλαιο 1 - Εισαγωγή Εισαγωγή

Κεφάλαιο 2 - Εποπτευόμενη μάθηση Εποπτευόμενη μάθηση

Κεφάλαιο 3 - Ρηχά νευρωνικά δίκτυα Ρηχά νευρωνικά δίκτυα

Κεφάλαιο 4 - Βαθιά νευρωνικά δίκτυα Βαθιά νευρωνικά δίκτυα

Κεφάλαιο 5 - Λειτουργίες απώλειας Συναρτήσεις απώλειας

Κεφάλαιο 6 - Μοντέλο εκπαίδευσης μοντέλων τοποθέτησης

Κεφάλαιο 7 - Διαβαθμίσεις και αρχικοποίηση Κλίση και αρχικοποίηση

Κεφάλαιο 8 - Μέτρηση απόδοσης Αξιολόγηση απόδοσης

Κεφάλαιο 9 - Τακτοποίηση Τακτοποίηση

Κεφάλαιο 10 - Συνελικτικά δίκτυα Συνελικτικά δίκτυα

Κεφάλαιο 11 - Υπολειμματικά δίκτυα Υπολειμματικά δίκτυα

Κεφάλαιο 12 - Μετασχηματιστές

Κεφάλαιο 13 - Γραφικά νευρωνικά δίκτυα Γραφήματα νευρωνικών δικτύων

Κεφάλαιο 14 - Μάθηση χωρίς επίβλεψη Χωρίς επίβλεψη μάθηση

Κεφάλαιο 15 - Δημιουργικά ανταγωνιστικά δίκτυα Παραγωγικά ανταγωνιστικά δίκτυα

Κεφάλαιο 16 - Κανονικοποίηση ροών Τυποποίηση ροών

Κεφάλαιο 17 - Αυτοκωδικοποιητές μεταβλητών Αυτοκωδικοποιητές μεταβλητών

Κεφάλαιο 18 - Μοντέλα διάχυσης Μοντέλα διάχυσης

Κεφάλαιο 19 - Βαθιά ενισχυτική μάθηση Βαθιά ενισχυτική μάθηση

Κεφάλαιο 20 - Γιατί λειτουργεί η βαθιά μάθηση;

Κεφάλαιο 21 - Βαθιά μάθηση και ηθική Βαθιά μάθηση και ηθική

Σχετικά με τον Συγγραφέα

Ο συγγραφέας του "In-depth Understanding of Deep Learning" είναι ο Simon JD Prince, καθηγητής επιστήμης υπολογιστών στο Πανεπιστήμιο του Bath στο Ηνωμένο Βασίλειο.

Σύμφωνα με πληροφορίες του LinkedIn, ο Simon JD Prince ασχολείται με την επιστήμη των υπολογιστών και την έρευνα τεχνητής νοημοσύνης σε ερευνητικά ιδρύματα για περισσότερα από δέκα χρόνια, για παράδειγμα, υπηρέτησε ως επικεφαλής επιστήμονας της εταιρείας ανάπτυξης λογισμικού Anthropics Technology. Το 2022, εντάχθηκε στο Πανεπιστήμιο του Μπαθ ως Ομότιμος Καθηγητής.

Ο Simon JD Prince έχει δημοσιεύσει περισσότερες από 50 εργασίες σε κορυφαία συνέδρια (CVPR, ICCV, SIGGRAPH κ.λπ.). Είναι επίσης συγγραφέας του Computer Vision: Models, Learning, and Inference.

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