L'apprentissage profond avec Python
"L apprentissage automatique a fait des progrès remarquables au cours des dernières années. Nous sommes passés d une reconnaissance quasi inutilisable de la parole et des images à une précision quasi humaine, de machines qui ne pouvaient pas battre un joueur de Go un peu expérimenté à la défait...
Gorde:
| Egile nagusia: | |
|---|---|
| Beste egile batzuk: | |
| Formatua: | Livre papier |
| Hizkuntza: | Français |
| Argitaratua: |
Saint-Cyr-sur-Loire (47 rue de la Mésangerie, 37540) :
machinelearning.fr
DL 2020.
|
| Saila: | Les essentiels de l'IA
|
| Gaiak: | |
| Oharra: |
La couverture porte en plus : "Les meilleures pratiques" et "Les concepts fondamentaux de l'apprentissage profond, la classification d'images et le transfert d'apprentissage, l'apprentissage profond pour le texte et les séquences, le transfert de style, la génération de textes et d'images" |
| Autres localisations: | Voir dans le Sudoc |
Aurkibidea:
- Partie 1, Principes fondamentaux de l apprentissage profond
- 1, Qu est-ce que l apprentissage profond ?
- 1.1 Intelligence artificielle, apprentissage automatique et apprentissage profond
- 1.2 Avant l apprentissage profond : brève histoire de l apprentissage automatique
- 1.3 Pourquoi l apprentissage profond ? Pourquoi maintenant ?
- 2, Pour commencer : les notions mathématiques des réseaux de neurones
- 2.1 Première approche d un réseau de neurones
- 2.2 Représentations de données pour les réseaux de neurones
- 2.3 Outils des réseaux de neurones : les opérations de tenseurs
- 2.4 Le moteur des réseaux de neurones : l optimisation à base de gradient
- 2.5 Retour à notre premier exemple
- 2.6 Résumé du chapitre
- 3, Mise en œuvre des réseaux de neurones sur des cas concrets
- 3.1 Anatomie d un réseau de neurones
- 3.2 Introduction à la bibliothèque logicielle Keras
- 3.3 Mise en route d un poste de travail d apprentissage profond
- 3.4 Classement des critiques de films : un exemple de classification binaire
- 3.5 Classification de fils de presse : un exemple de classification en plusieurs classes
- 3.6 Prédiction du prix de l immobilier : un exemple de régression
- 3.7 Résumé du chapitre
- 4, Principes fondamentaux de l apprentissage automatique
- 4.1 Quatre branches de l apprentissage automatique
- 4.2 Évaluation des modèles d apprentissage automatique
- 4.3 Prétraitement des données, extraction des caractéristiques et apprentissage des caractéristiques
- 4.4 Sur-ajustement et sous-ajustement
- 4.5 Le déroulement universel des tâches de l apprentissage automatique
- 4.6 Résumé du chapitre
- Partie 2, L apprentissage profond en pratique
- 5 L apprentissage profond pour la vision par ordinateur
- 5.1 Introduction aux réseaux de neurones convolutifs : les ConvNet
- 5.2 Entraînement d un ConvNet à partir de zéro sur un petit jeu de données
- 5.3 Utilisation d un ConvNet pré-entraîné
- 5.4 Visualisation des représentations apprises par les ConvNet
- 5.5 Résumé du chapitre
- 6 L apprentissage profond pour les textes et les séquences
- 6.1 Traitement des données textuelles
- 6.2 Comprendre les réseaux de neurones récurrents
- 6.3 Utilisation avancée des réseaux de neurones récurrents
- 6.4 Traitement des séquences avec des réseaux ConvNet
- 6.5 Résumé du chapitre
- 7 Les meilleures pratiques de l apprentissage profond avancé
- 7.1 Au-delà du modèle séquentiel : l API Fonctionnelle de Keras
- 7.2 Inspection et surveillance des modèles à l aide des callbacks de Keras et de TensorBoard
- 7.3 Comment tirer le meilleur parti de vos modèles
- 7.4 Résumé du chapitre
- 8 L apprentissage profond génératif
- 8.1 Génération de texte avec un LSTM
- 8.2 L algorithme DeepDream
- 8.3 Transfert de style neuronal
- 8.4 Génération d images avec des auto-encodeurs variationnels
- 8.5 Introduction aux réseaux génératifs antagonistes
- 8.6 Résumé du chapitre
- 9 Conclusions
- 9.1 Révision des concepts clés
- 9.2 Les limites de l apprentissage profond
- 9.3 L avenir de l apprentissage profond
- 9.4 Rester à jour dans un domaine en évolution rapide
- 9.5 Derniers mots