Главная » 2019 » Декабрь » 23 » Умберто Микелуччи - Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов (2020)
18:50
Умберто Микелуччи - Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов (2020)
Затронуты расширенные темы глубокого обучения: оптимизационные алгоритмы, настройка гиперпараметров, отсев и анализ ошибок, стратегии решения типичных задач во время тренировки глубоких нейронных сетей. Описаны простые активационные функции с единственным нейроном (ReLu, сигмоида и Swish), линейная и логистическая регрессии, библиотека TensorFlow, выбор стоимостной функции, а также более сложные нейросетевые архитектуры с многочисленными слоями и нейронами. Показана отладка и оптимизация расширенных методов отсева и регуляризации, настройка проектов машинного обучения, ориентированных на глубокое обучение с использованием сложных наборов данных. Приведены результаты анализа ошибок нейронной сети с примерами решения проблем, возникающих из-за дисперсии, смещения, переподгонки или разрозненных наборов данных. По каждому техническому решению даны примеры решения практических задач.
Название: Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов Автор: Умберто Микелуччи Год: 2020 Жанр: программирование Язык: Русский
Формат: pdf Качество: Отсканированные страницы + слой распознанного текста Страниц: 370 Размер: 40 MB
Скачать Умберто Микелуччи - Прикладное глубокое обучение. Подход к пониманию глубоких нейронных сетей на основе метода кейсов (2020)
Xemera.At.Ua - информационный портал! Все ссылки на файлы, указанные на сайте взяты из открытых источников интернета и предоставлены пользователями нашего сайта исключительно в ознакомительных целях.
Если вы являетесь правообладателем какого либо материала и не желаете его свободного распространения, или считаете, что какой-либо из материалов нарушает Ваши авторские права - свяжитесь с Администрацией.
Владельцы и создатели данного сайта не несут ответственность за использование и содержание ссылок и информации, представленных на этом сайте.
Сайт оптимизирован для просмотра с разрешением 1024x768, 1280x800, 1280x1024 и 1600x1200 браузером FireFox или Opera