Ebook Math & Architecture Của Deep Learning [Ấn Bản Lần 1, Tháng 4/2024] [PDF, EPUB + Code] [9453E]
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 tùy chỉnh, duy trì và giải thích chúng hiệu quả hơn.
Trong Math & Architecture của Deep Learning, bạn sẽ tìm thấy:
- ✓ Toán học, lý thuyết và các nguyên tắc lập trình song song với nhau.
- ✓ Đại số tuyến tính, phép tính vectơ và thống kê đa biến cho deep learning.
- ✓ Cấu trúc của neural network.
- ✓ Triển khai các kiến trúc deep learning với Python và PyTorch.
- ✓ Xử lý sự cố các mô hình kém hiệu quả.
- ✓ Các mẫu mã đang hoạt động trong Jupyter notebooks có thể tải xuống.
Các mô hình toán học đằng sau các mô hình deep learning thường bắt đầu là các bài báo học thuật khó đọc khiến các kỹ sư không biết các mô hình đó thực sự hoạt động như thế nào. Math & Architecture của Deep Learning thu hẹp khoảng cách giữa lý thuyết và thực hành, trình bày toán học của Deep Learning song song với các triển khai thực tế trong Python và PyTorch. Được viết bởi một chuyên gia về deep learning, bạn sẽ nhìn vào 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.
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 mô hình, đào tạo nó, tiền xử lý dữ liệu, đánh giá hiệu suất và độ chính xác, cũng như xử lý sự không chắc chắn và biến động trong các output của một giải pháp đã triển khai. Cuốn sách này sẽ hướng dẫn bạn một cách có hệ thống qua các khái niệm toán học cốt lõi mà bạn sẽ cần với tư cách là một data scientist đang làm việc: các phép tính vectơ, đại số tuyến tính và Suy diễn Bayesian, tất cả đều theo góc nhìn deep learning.
Về cuốn sách:
Math & Architecture của Deep Learning dạy các nguyên lý toán học, lý thuyết và lập trình của các mô hình deep learning được trình bày cạnh nhau, sau đó đưa chúng vào thực hành với code Python được chú thích rõ ràng. Bạn sẽ tiến bộ từ đại số, phép tính và thống kê cho đến các kiến trúc DL hiện đại nhất lấy từ các nghiên cứu mới nhất.
Bên trong có gì:
- ✓ Các nguyên tắc thiết kế cốt lõi của neural network.
- ✓ Triển khai deep learning với Python và PyTorch.
- ✓ Chuẩn hóa và tối ưu hóa các mô hình kém hiệu quả.
Về người đọc:
Người đọc cần biết Python và những kiến thức cơ bản về đại số và phép tính.
Mục lục:
- ✓ Chương 01. Tổng quan về machine learning và deep learning.
- ✓ Chương 02. Vector, matric và tensor trong machine learning.
- ✓ Chương 03. Classifiers & vector calculus.
- ✓ Chương 04. Các công cụ đại số tuyến tính trong machine learning.
- ✓ Chương 05. Probability distribution trong machine learning.
- ✓ Chương 06. Các công cụ Bayesian cho machine learning.
- ✓ Chương 07. Function approximation: Cách neural network mô hình hóa thế giới.
- ✓ Chương 08. Training neural network: Forward propagation & backpropagation.
- ✓ Chương 09. Loss, optimization & regularization.
- ✓ Chương 10. Convolution trong neural network.
- ✓ Chương 11. Neural network cho image classification và object detection.
- ✓ Chương 12. Manifolds, homeomorphism và neural network.
- ✓ Chương 13. Fully Bayes model parameter estimation.
- ✓ Chương 14. Latent space và generative modeling, autoencoder và variational autoencoder.
LƯU Ý: Pass mở file pdf là mật khẩu giải nén chung của tài liệu !