What do you think?
Rate this book
Глубокое обучение
Перед вами - первая книга о глубоком обучении, написанная на русском языке. Глубокие модели оказались ключом, который подходит ко всем замкам сразу: новые архитектуры и алгоритмы обучения, а также увеличившиеся вычислительные мощности и появившиеся огромные наборы данных, привели к революционным прорывам в компьютерном зрении, распознавании речи, обработке естественного языка и многих других типично "человеческих" задачах машинного обучения. Эти захватывающие идеи, вся история и основные компоненты революции глубокого обучения, а также самые современные достижения этой области, доступно и интересно изложены в книге. Максимум объяснений, минимум кода, серьезный материал о машинном обучении и увлекательное изложение - в этой уникальной работе замечательных российских ученых и интеллектуалов.
- GenresComputer Science
481 pages, ebook
Published January 1, 2017
23 people are currently reading
79 people want to read
Ratings & Reviews
Friends & Following
Create a free account to discover what your friends think of this book!
Community Reviews
Displaying 1 - 5 of 5 reviews
May 18, 2018
Очень хорошая книга, богатая реферативная наработка - открываешь любую главу по теме и тебе еще 10-15 рекомендаций что можно почитать по этой теме.
Некоторые темы прекрасно понятны и новичку, а по некоторым, например LSTM, всё еще остается много вопросов.
Некоторые темы прекрасно понятны и новичку, а по некоторым, например LSTM, всё еще остается много вопросов.
September 26, 2025
тренировка мозга онлайн (promo)
Заметки:
“Два основных класса задач машинного обучения — это задачи обучения с учителем (supervised learning) и обучения без учителя (unsupervised learning). При обучении с учителем на вход подается набор тренировочных примеров, который обычно называют обучающим или тренировочным набором данных (training set или training sample - тренировочная выборка), и задача состоит в том, чтобы продолжить уже известные ответы на новый опыт, выраженный обычно в виде тестового набора данных (test set, test sample).”
“в поисковых и рекомендательных системах часто встречается задача обучения ранжирования (learning to rank). Она ставится так: по имеющимся данным (в поисковой системе это будут тексты документов и прошлое поведение пользователей) отранжировать, расставить имеющиеся объекты в порядке убывания целевой функции (в поисковой системе она называется релевантностью: насколько данный документ подходит, чтобы выдать его в ответ на данный запрос).”
“И наконец, третий и самый общий класс задач обучения без учителя - задача оценки плотности: нам даны точки данных (х1, …,хм} и, возможно, какие-то априорные представления о том, откуда взялись эти точки, а хочется оценить распределение р(х), из которого они получились. Это очень общая постановка задачи, к ней можно многое свести, и нейронные сети тоже отчасти ее и решают.”
“в нашем мозге содержится порядка … (сто триллионов) синапсов.”
“на самом деле мы очень плохо понимаем, как работает настоящий человеческий мозг, и искусственные нейронные сети - это не попытка приблизиться к реальной структуре, а достаточно абстрактные модели, созданные для решения оптимизационных задач.”
“В. Гейзенберг. Физика и философия. Часть и целое”
“Условная вероятность - вероятность наступления одного события, если из-вестно, что произошло другое, р(х | у); ее обычно определяют формально так: P(x | y) = Р(х, y) / Р(y)”
“теорема Байеса — это основной, центральный инструмент машинного обучения, на ней держатся буквально все рассуждения этой книги и многие другие.”
“математическая модель в машинном обучении обычно представляет собой задание распределения вероятностей на данных и параметрах р(Q, D);”
“градиент — это то направление, в котором функция быстрее всего возрастает.”
Больше заметок
Заметки:
“Два основных класса задач машинного обучения — это задачи обучения с учителем (supervised learning) и обучения без учителя (unsupervised learning). При обучении с учителем на вход подается набор тренировочных примеров, который обычно называют обучающим или тренировочным набором данных (training set или training sample - тренировочная выборка), и задача состоит в том, чтобы продолжить уже известные ответы на новый опыт, выраженный обычно в виде тестового набора данных (test set, test sample).”
“в поисковых и рекомендательных системах часто встречается задача обучения ранжирования (learning to rank). Она ставится так: по имеющимся данным (в поисковой системе это будут тексты документов и прошлое поведение пользователей) отранжировать, расставить имеющиеся объекты в порядке убывания целевой функции (в поисковой системе она называется релевантностью: насколько данный документ подходит, чтобы выдать его в ответ на данный запрос).”
“И наконец, третий и самый общий класс задач обучения без учителя - задача оценки плотности: нам даны точки данных (х1, …,хм} и, возможно, какие-то априорные представления о том, откуда взялись эти точки, а хочется оценить распределение р(х), из которого они получились. Это очень общая постановка задачи, к ней можно многое свести, и нейронные сети тоже отчасти ее и решают.”
“в нашем мозге содержится порядка … (сто триллионов) синапсов.”
“на самом деле мы очень плохо понимаем, как работает настоящий человеческий мозг, и искусственные нейронные сети - это не попытка приблизиться к реальной структуре, а достаточно абстрактные модели, созданные для решения оптимизационных задач.”
“В. Гейзенберг. Физика и философия. Часть и целое”
“Условная вероятность - вероятность наступления одного события, если из-вестно, что произошло другое, р(х | у); ее обычно определяют формально так: P(x | y) = Р(х, y) / Р(y)”
“теорема Байеса — это основной, центральный инструмент машинного обучения, на ней держатся буквально все рассуждения этой книги и многие другие.”
“математическая модель в машинном обучении обычно представляет собой задание распределения вероятностей на данных и параметрах р(Q, D);”
“градиент — это то направление, в котором функция быстрее всего возрастает.”
Больше заметок
April 4, 2022
I really like this book in addition to solid university course of machine learning. Authors open new ways of understanding of area of machine learning, including deep learning. Also there is great bibliography.
The last, but not the least, the book is written in excellent Russian language with exciting historical references.
The last, but not the least, the book is written in excellent Russian language with exciting historical references.
July 16, 2020
Интересная книга. Однако без углубленных знаний математики было сложно воспринимать формулы и то что с ними связано, думаю что вернусь к книге когда будет больше опыта.
December 13, 2019
Интересная и познавательная книга для тех кого затягивает все что связана с искусственным интеллектом и в частности глубокое обучение. Эта книга интересно рассказывает о истории глубокого обучения и достаточно формально описывает основные алгоритмы и модели с ссылками на академические источники, на которые можно потратить отдельное время.
Предполагается, что читатель имеет базовые знание в этом направлении, но если нет, то можно остановиться на первой части книги описывающая историю.
Предполагается, что читатель имеет базовые знание в этом направлении, но если нет, то можно остановиться на первой части книги описывающая историю.
Displaying 1 - 5 of 5 reviews