Guide complet du deep learning : réseaux convolutifs (CNN), récurrents (RNN) et modèles génératifs

Ce livre propose une introduction complète et structurée aux fondements, aux architectures et aux applications de l'apprentissage profond. En commençant par des concepts mathématiques de base tels que l'algèbre linéaire, les probabilités et l'optimisation, il construit une base solide pour comprendre les réseaux neuronaux modernes. Les lecteurs sont ensuite guidés à travers les principales architectures d'apprentissage profond, y compris les réseaux neuronaux convolutifs (CNN) pour l'analyse d'images, les réseaux neuronaux récurrents (RNN) et les LSTM pour la modélisation de séquences, et les modèles génératifs avancés tels que les autoencodeurs, les autoencodeurs variationnels (VAE) et les réseaux adversoriels génératifs (GAN). Chaque chapitre présente des explications claires, des diagrammes et des exemples pratiques pour simplifier les concepts complexes. Conçu pour les étudiants, les enseignants et les praticiens de l'IA, le livre fournit à la fois une profondeur théorique et des aperçus pratiques. Il constitue une référence complète pour tous ceux qui cherchent à comprendre, construire et appliquer efficacement des modèles d'apprentissage profond à des problèmes réels de vision par ordinateur, de traitement du langage naturel et d'IA générative.

Pagina's: 136, Paperback, Editions Notre Savoir