Ebook Math & Architectures of Deep Learning [Ấn Bản Lần 1, Tháng 3-2024] [PDF] [9676E]
Hãy làm nổi bật deep learning “black box”. Hướng dẫn toàn diện và chi tiết này tiết lộ các khái niệm toán học và kiến trúc đằng sau các mô hình deep learning để bạn có thể customize, maintain, và explain chúng hiệu quả hơn.
Trong Math & Architectures of Deep Learning, bạn sẽ tìm thấy:
- ✓ Các nguyên tắc toán học, lý thuyết và lập trình bên cạnh nhau.
- ✓ Linear algebra, vector calculus và multivariate statistics cho deep learning.
- ✓ Cấu trúc của neural networks.
- ✓ Triển khai deep learning architectures với Python và PyTorch.
- ✓ Troubleshooting underperforming models.
- ✓ Làm việc với code mẫu trong Jupyter notebooks có thể tải xuống.
Các mô hình toán học đằng sau các mô hình deep learning thường bắt đầu như những bài báo học thuật khó đọc khiến các kỹ sư không biết gì về cách các mô hình đó thực sự hoạt động. Math & Architectures of Deep Learning thu hẹp khoảng cách giữa lý thuyết và thực hành, đặt toán học của deep learning song song với việc triển khai thực tế trong Python và PyTorch. Được viết bởi một chuyên gia deep learning, bạn sẽ xem xét bên trong “black box” để hiểu cách code của bạn hoạt động và học cách hiểu các nghiên cứu tiên tiến mà bạn có thể biến thành các ứng dụng thực tế.
Giới thiệu về công nghệ:
Khám phá những gì đang diễn ra bên trong black box! Để làm việc với deep learning, bạn sẽ phải chọn đúng model, train model đó, tiền xử lý dữ liệu của bạn, đánh giá hiệu suất và độ chính xác, đồng thời xử lý sự không chắc chắn và biến đổi trong kết quả đầu ra của giải pháp đã triển khai. Cuốn sách này sẽ đưa bạn đi qua một cách có hệ thống các khái niệm toán học cốt lõi mà bạn sẽ cần với tư cách là một nhà khoa học dữ liệu đang làm việc: vector calculus, linear algebra, và Bayesian inference, tất cả đều từ góc độ deep learning.
Giới thiệu về cuốn sách:
Math & Architectures of Deep Learning dạy các nguyên tắc toán học, lý thuyết và lập trình của các mô hình deep learning được trình bày cạnh nhau, sau đó áp dụng chúng vào thực tế với code Python được chú thích rõ ràng. Bạn sẽ tiến bộ từ đại số, giải tích và thống kê cho đến các kiến trúc DL hiện đại được lấy từ nghiên cứu mới nhất.
Có gì bên trong cuốn sách này:
- ✓ Core design principles of neural networks.
- ✓ Implementing deep learning với Python và PyTorch.
- ✓ Regularizing và optimizing underperforming models.
Về người đọc:
- ✓Người đọc cần biết Python và những kiến thức cơ bản về đại số và phép tính.
Đôi nét về tác giả:
Tác giả là người đồng sáng lập và CTO của công ty khởi nghiệp AI Drishti Technologies. Trước đây ông từng làm việc cả thập kỷ tại Google và Adobe.
Mục lục:
- ✓ Chương 01: Tổng quan về machine learning và deep learning.
- ✓ Chương 02: Vectors, matrices, và tensors trong machine learning.
- ✓ Chương 03: Classifiers và vector calculus.
- ✓ Chương 04: Linear algebraic tools trong machine learning.
- ✓ Chương 05: Probability distributions trong machine learning.
- ✓ Chương 06: Bayesian tools for machine learning.
- ✓ Chương 07: Function approximation: Cách neural networks model thế giới.
- ✓ Chương 08: Training neural networks: Forward propagation và backpropagation.
- ✓ Chương 09: Loss, optimization, và regularization.
- ✓ Chương 10: Convolutions trong neural networks.
- ✓ Chương 11: Neural networks for image classification và object detection.
- ✓ Chương 12: Manifolds, homeomorphism, và neural networks.
- ✓ Chương 13: Fully Bayes model parameter estimation.
- ✓ Chương 14: Latent space và generative modeling, autoencoders, và variational autoencoders.
LƯU Ý: Pass mở file pdf là mật khẩu giải nén chung của tài liệu !
NHẬN GET EBOOK TRÊN AMAZON THEO YÊU CẦU