Uurige, mis toimub musta kasti sees! Süvaõppe kasutamiseks peate andmed ette valmistama, valima õige mudeli, treenima seda, hindama kvaliteeti ja täpsust ning arvestama lahenduse väljundandmete ebakindluse ja muutlikkusega. See raamat tutvustab samm-sammult peamisi matemaatilisi kontseptsioone, mis on teile kasulikud andmeteadlasena,...
— vektorkalkulatsioon, lineaarne algebra ja Bayesi järeldus, esitades need süvaõppe vaatenurgast. Autorid selgitavad matemaatikat, teooriat ja süvaõppe mudelite loomise põhimõtteid ning seejärel demonstreerivad teooria rakendamist praktikas, tuues välja Pythonis kirjutatud koodipalasid koos põhjalike kommentaaridega. Raamat viib teid algebra, kalkulatsiooni ja statistika aluseelt tänapäevaste süvaõppe arhitektuurideni, mis on uusimate teadusuuringute tulemused.
1. Raamat tutvustab samm-sammult peamisi matemaatilisi kontseptsioone, mis on teile kasulikud andmete spetsialisti rollis. 2. Neuraalvõrkude projekteerimise põhialused. 3. Süvaõppe rakendamine Pythonis PyTorchi abil. 4. Regulaarimine ja ebaefektiivsete mudelite optimeerimine. 5. Uurige, mis toimub musta kasti sees!
Uurige, mis toimub musta kasti sees! Süvaõppe kasutamiseks peate andmed ette valmistama, valima õige mudeli, treenima seda, hindama kvaliteeti ja täpsust ning arvestama lahenduse väljundandmete ebakindluse ja muutlikkusega. See raamat tutvustab samm-sammult peamisi matemaatilisi kontseptsioone, mis on teile kasulikud andmeteadlasena, — vektorkalkulatsioon, lineaarne algebra ja Bayesi järeldus, esitades need süvaõppe vaatenurgast. Autorid selgitavad matemaatikat, teooriat ja süvaõppe mudelite loomise põhimõtteid ning seejärel demonstreerivad teooria rakendamist praktikas, tuues välja Pythonis kirjutatud koodipalasid koos põhjalike kommentaaridega. Raamat viib teid algebra, kalkulatsiooni ja statistika aluseelt tänapäevaste süvaõppe arhitektuurideni, mis on uusimate teadusuuringute tulemused.
1. Raamat tutvustab samm-sammult peamisi matemaatilisi kontseptsioone, mis on teile kasulikud andmete spetsialisti rollis.
2. Neuraalvõrkude projekteerimise põhialused.
3. Süvaõppe rakendamine Pythonis PyTorchi abil.
4. Regulaarimine ja ebaefektiivsete mudelite optimeerimine.