Мы используем файлы куки, чтобы Bookmate и наши рекомендации работали лучше.
Подробнее на странице Политика Cookies
Принять все Cookies
Выбрать cookies
Глубокое обучение на Python, Шолле Ф.
Books
Шолле Ф.

Глубокое обучение на Python

Глубокое обучение — Deep learning — это набор алгоритмов машинного обучения, которые моделируют высокоуровневые абстракции в данных, используя архитектуры, состоящие из множества нелинейных преобразований.
Согласитесь, эта фраза звучит угрожающе. Но всё не так страшно, если о глубоком обучении рассказывает Франсуа Шолле, который создал Keras — самую мощную библиотеку для работы с нейронными сетями.

Познакомьтесь с глубоким обучением на практических примерах из самых разнообразных областей. Книга делится на две части, в первой даны теоретические основы, вторая посвящена решению конкретных задач. Это позволит вам не только разобраться в основах DL, но и научиться использовать новые возможности на практике.

«Обучение — это путешествие длинной в жизнь, особенно в области искусственного интеллекта, где неизвестностей гораздо больше, чем определенности.»
Франсуа Шолле
больше
734 бумажные страницы
Правообладатель
Bookwire
Дата публикации оригинала
2022
Год выхода издания
2022
Издательство
Питер
Уже прочитали? Что скажете?
👍👎

Впечатления

  • Андрейделится впечатлением5 лет назад
    👍Worth reading
    💡Learnt A Lot
    🎯Worthwhile

Цитаты

  • Kirill Kruglikovцитирует4 года назад
    Этот вопрос открыл двери в новую парадигму программирования. В классическом программировании, в парадигме символического ИИ, люди вводят правила (программу) и данные для обработки в соответствии с этими правилами и получают ответы (рис. 1.2). В машинном обучении люди вводят данные и ответы, соответствующие этим данным, а на выходе получают правила. Эти правила затем можно применить к новым данным для получения оригинальных ответов.
  • Андрейцитирует6 лет назад
    Вообще говоря, чем меньше обучающих данных, тем скорее наступит переобучение, а использование маленькой сети — один из способов борьбы с ним.
  • Андрейцитирует6 лет назад
    С целочисленными метками следует использовать функцию sparse_categorical_crossentropy:
    model.compile(optimizer='rmsprop',
    loss='sparse_categorical_crossentropy',
    metrics=['acc'])

На полках

fb2epub
Перетащите файлы сюда, не более 5 за один раз