le mie informazioni di contatto
Posta[email protected]
2024-07-22
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Questa è probabilmente una delle panoramiche più complete e aggiornate sul deep learning oggi disponibili.
Il campo del deep learning è in forte espansione e recentemente ci sono materiali didattici popolari.
Recentemente, il nuovo libro "Understanding Deep Learning" della MIT Press ha introdotto la versione cinese.
Questo libro è diviso in 21 capitoli, che coprono molti concetti chiave nel campo del deep learning, tra cui la costruzione di base, l'architettura del trasformatore, la rete neurale del grafico GNN, l'apprendimento per rinforzo RL, il modello di diffusione, ecc. È estremamente prezioso sia per i principianti che per gli sviluppatori esperti.
GitHub 链接: https://github.com/careywyr/UnderstandingDeepLearning-ZH-CN
Link originale del libro: https://udlbook.github.io/udlbook/
Attualmente, la versione elettronica inglese del libro è stata scaricata 344.000 volte.
La versione fisica del libro è stata ufficialmente pubblicata nel dicembre dello scorso anno, con un totale di 541 pagine, ma la sua versione elettronica è stata continuamente aggiornata. Attualmente sul sito web, l'autore fornisce anche 68 esercizi per notebook Python, che possono aiutare i lettori ad approfondire la loro comprensione attraverso la pratica della programmazione.
Questo libro spera di presentare le idee di base del deep learning alle persone in modo accurato e di facile comprensione e mira ad aiutare i lettori che hanno appena iniziato a comprendere i principi alla base del deep learning. Per i lettori che desiderano comprendere in modo approfondito il contenuto di questo libro, per comprenderlo sono richieste solo conoscenze di matematica di livello universitario.
Nello specifico, il libro introduce i modelli di deep learning nelle prime parti e discute come addestrare, valutare questi modelli e come migliorarne le prestazioni. Nelle sezioni seguenti, l'autore ci guida attraverso architetture progettate specificamente per dati di immagini, testo e grafici. I capitoli successivi esplorano i modelli generativi e l’apprendimento per rinforzo. Il penultimo capitolo esplora questi e altri aspetti non ancora del tutto compresi. Il capitolo finale discute l’etica dell’IA.
Sommario
Capitolo 1 - Introduzione Introduzione
Capitolo 2 - Apprendimento supervisionato Apprendimento supervisionato
Capitolo 3 - Reti neurali superficiali Reti neurali superficiali
Capitolo 4 - Reti neurali profonde Reti neurali profonde
Capitolo 5 - Funzioni di perdita Funzioni di perdita
Capitolo 6 - Modello di addestramento dei modelli di adattamento
Capitolo 7 - Gradienti e inizializzazione Gradiente e inizializzazione
Capitolo 8 - Misurazione delle prestazioni Valutazione delle prestazioni
Capitolo 9 – Regolarizzazione Regolarizzazione
Capitolo 10 - Reti convoluzionali Reti convoluzionali
Capitolo 11 - Reti residue Reti residue
Capitolo 12 - Trasformatori
Capitolo 13 - Reti neurali grafiche Reti neurali grafiche
Capitolo 14 - Apprendimento non supervisionato Apprendimento non supervisionato
Capitolo 15 - Reti avversarie generative Reti avversarie generative
Capitolo 16 - Flussi di normalizzazione Flussi di normalizzazione
Capitolo 17 - Autoencoder variazionali Autoencoder variazionali
Capitolo 18 - Modelli di diffusione Modelli di diffusione
Capitolo 19 - Apprendimento per rinforzo profondo Apprendimento per rinforzo profondo
Capitolo 20 - Perché il deep learning funziona? Perché il deep learning funziona?
Capitolo 21 - Apprendimento profondo ed etica Apprendimento profondo ed etica
Circa l'autore
L'autore di "In-Deep Understanding of Deep Learning" è Simon JD Prince, professore di informatica all'Università di Bath nel Regno Unito. Si occupa di visione artificiale e grafica computerizzata.
Secondo le informazioni di LinkedIn, Simon JD Prince è impegnato da più di dieci anni nella ricerca sull'informatica e sull'intelligenza artificiale in istituti di ricerca. Ad esempio, è stato capo scienziato della società di sviluppo software Anthropics Technology per 7 anni. Nel 2022 è entrato a far parte dell'Università di Bath come professore emerito.
Simon JD Prince ha pubblicato più di 50 articoli nelle principali conferenze (CVPR, ICCV, SIGGRAPH, ecc.). È anche autore di Computer Vision: Models, Learning, and Inference.
https://x.com/tuturetom/status/1814689613304508777