notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Esta é provavelmente uma das visões gerais mais abrangentes e atualizadas de aprendizagem profunda disponíveis atualmente.

O campo da aprendizagem profunda está crescendo e, recentemente, surgiram materiais de aprendizagem populares.

Recentemente, o novo livro "Understanding Deep Learning" da MIT Press inaugurou a versão chinesa.

Este livro está dividido em 21 capítulos, cobrindo muitos conceitos-chave no campo de aprendizagem profunda, incluindo construção básica, arquitetura de transformadores, rede neural de grafos GNN, aprendizagem por reforço RL, modelo de difusão, etc. É extremamente valioso tanto para iniciantes quanto para desenvolvedores experientes.

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

Link original do livro: https://udlbook.github.io/udlbook/

Atualmente, a versão eletrônica em inglês do livro foi baixada 344 mil vezes.

A versão física do livro foi lançada oficialmente em dezembro do ano passado, com um total de 541 páginas, mas sua versão eletrônica tem sido continuamente atualizada. Atualmente no site, o autor também disponibiliza 68 exercícios de notebook Python, que podem ajudar os leitores a aprofundar sua compreensão por meio da prática de programação.

Este livro pretende apresentar as ideias básicas do aprendizado profundo às pessoas de uma forma precisa e fácil de entender, e tem como objetivo ajudar os leitores que estão apenas começando a compreender os princípios por trás do aprendizado profundo. Para os leitores que desejam compreender o conteúdo deste livro em profundidade, apenas conhecimentos de matemática de nível de graduação são necessários para compreendê-lo.

Especificamente, o livro apresenta modelos de aprendizagem profunda nas partes iniciais e discute como treinar, avaliar esses modelos e como melhorar seu desempenho. Nas seções a seguir, o autor nos conduz através de arquiteturas projetadas especificamente para dados de imagem, texto e gráfico. Os capítulos subsequentes exploram modelos generativos e aprendizagem por reforço. O penúltimo capítulo explora esses e outros aspectos que ainda não são totalmente compreendidos. O capítulo final discute a ética da IA.

Índice

Capítulo 1 - Introdução Introdução

Capítulo 2 - Aprendizagem supervisionada Aprendizagem supervisionada

Capítulo 3 - Redes neurais superficiais Redes neurais superficiais

Capítulo 4 - Redes neurais profundas Redes neurais profundas

Capítulo 5 - Funções de perda Funções de perda

Capítulo 6 - Modelo de treinamento de modelos de ajuste

Capítulo 7 - Gradientes e inicialização Gradiente e inicialização

Capítulo 8 - Medindo o desempenho Avaliação de desempenho

Capítulo 9 - Regularização Regularização

Capítulo 10 - Redes Convolucionais Redes Convolucionais

Capítulo 11 - Redes residuais Redes residuais

Capítulo 12 - Transformadores

Capítulo 13 - Redes neurais gráficas Redes neurais gráficas

Capítulo 14 - Aprendizagem não supervisionada Aprendizagem não supervisionada

Capítulo 15 - Redes adversárias generativas Redes adversárias generativas

Capítulo 16 - Normalizando fluxos Padronizando fluxos

Capítulo 17 - Autoencoders Variacionais Autoencoders Variacionais

Capítulo 18 - Modelos de difusão Modelos de difusão

Capítulo 19 - Aprendizagem por reforço profundo Aprendizagem por reforço profundo

Capítulo 20 - Por que o aprendizado profundo funciona?

Capítulo 21 - Aprendizado profundo e ética Aprendizado profundo e ética

Sobre o autor

O autor de "Compreensão profunda do aprendizado profundo" é Simon JD Prince, professor de ciência da computação na Universidade de Bath, no Reino Unido. Ele se concentra em visão computacional e computação gráfica.

De acordo com informações do LinkedIn, Simon JD Prince está envolvido em pesquisa em ciência da computação e IA em instituições de pesquisa há mais de dez anos. Por exemplo, ele atuou como cientista-chefe da empresa de desenvolvimento de software Anthropics Technology por 7 anos. Em 2022, ingressou na Universidade de Bath como Professor Emérito.

Simon JD Prince publicou mais de 50 artigos em conferências importantes (CVPR, ICCV, SIGGRAPH, etc.). Ele também é autor de Visão Computacional: Modelos, Aprendizagem e Inferência.

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