Чару Аггарвал - Нейронные сети и глубокое обучение: учебный курс

498
Сверточная нейронная сеть, 82; 462;
485
структура, 489
тренировка, 510
Связывание весов, 133
Сдвиг распределения, 630
Седловая точка, 244; 668
Семантическое хеширование, 420
Свертка,

Семплирование
методом Монте-Карло марковских
цепей,

по Гиббсу,

383
383
469
209

обращения свертки,

345

638
стратегий, 596; 611
Хопфилда, 78;370
емкость, 377
обучение, 376
Сигмоида, 39; 40
производная, 45

92

130

679
639

689
451

Спектральный радиус,

Среднеквадратическая ошибка,

282

Статистическая сумма,
Стохастическая
Страйд,

381
глубина, 536

498

Субградиент,

294

Субдискретизация,

499; 501

407

346;452
364
383
285
620

Тепловое равновесие,

Тестовый набор,

Трансляционная инвариантность,

502
Транспонированная свертка, 549; 671
Тренировочные данные, 24; 285
у

418

Управляемый рекуррентный
блок,

458; 532

Уравнение Беллмана,

Сингулярное разложение,
Синеет,

Спайковый нейрон,

Точка признака,

40
23

усеченное,

Состязательное обучение,

о представителе,

с памятью,

Синапс,

532

238

Соревновательное обучение,

Ковера,

радиально-базисных функций,

Сигнум,

Сопряженный градиент,

Теорема

642
671

Сигмоидная сеть доверия,

Соединение с пропуском слоев,

Тематическое моделирование,

Сеть

обработки взгляда,

162
33; 223; 227
Скрытый слой, 29; 46
Слой внимания, 648
Смещение, 31; 59; 279
Снижение размерности, 394
Собственный вектор, 212
Скорость обучения,

т

Сентимент-анализ,
Сеточный поиск,

479

152; 157

43; 129

586

Условие взаимной

сопряженности,
Усреднение Поляка,
Утес,

219

239
246

ПРЕДМЕТНЫЙ УКАЗАТЕЛЬ

744
ц

ф

Факторизация,
Фильтр,

Центрирование по среднему,

127

Цепное правило,

491

инвертированный,

512

211

183

ч

Функция

Частичное обучение,

sign, 30; 40
производная,

45
Softtnax, 42; 123; 125; 196;435
tanh, 40
производная, 46
XOR, 71
активации, 30;39
выгоды, 604
знаковая, 40
значения, 602
кусочно-линейная, 44
ослабления, 683

Чередование слоев,
Чувствительность,

316
504
680

ш
Широкая остаточная сеть,

Шум,

535

279; 322

э
Эквивариантность,
Эпоха,

493

33

Эхо-сеть,

447; 450

параболическая
ограничивающая,

я

412

потерь,

32;39;43;201
двоичная, 36

Ядро,

кросс-энтропийная,

Языковое моделирование,

кусочно-линейная,

197
358

сглаженная суррогатная,

сжатия,

68; 74

энергии сети,

3 72

Ядерный метод,

условное,

36

362

491

Якобиан,

460
216

430; 432

РУТНОN И МАШИННОЕ ОБУЧЕНИЕ
МАШИННОЕ И ГЛУБОКОЕ ОБУЧЕНИЕ
С ИСПОЛЬЗОВАНИЕМ РУТНОN, SCIКIT -LEARN И

TENSORFLOW, 2-Е ИЗДАНИЕ
Себастьян Рашка
и Вахид Мирджалили

Машинное обучение поглощает
мир программного обеспечения,
и теперь глубокое обучение
расширяет машинное обучение.
Освойте и работайте с
передовыми технологиями

машинного обучения, нейронных
сетей и глубокого обучения
с помощью 2-го издания
бестселлера Себастьяна Рашки.
Будучи основательно обновленной
с учетом самых последних

библиотек

Python

с открытым

кодом, эта книга предлагает
практические знания и приемы,

которые необходимы для создания
и содействия машинному

обучению, глубокому обучению
и современному анализу данных .

Если вы читали 1-е издание
книги, то вам доставит

удовольствие найти новый баланс
классических идей и современных

знаний в машинном обучении.
Каждая глава была серьезно
обновлена, и появились новые
главы по ключевым технологиям.

У вас будет возможность изучить
и поработать с TensorFlow более

www. d i а 1е kti ka.

со

m

вдумчиво, нежели ранее, а также

получить важнейший охват

библиотеки для нейронных
сетей Keras наряду с самыми
свежими обновлениями
библиотеки scikit-Jearn.

ISBN 978-5-907114-52-4

в продаже

ПРИКЛАДНОЕ МАШИННОЕ
ОБУЧЕНИЕ С ПОМОЩЬЮ
SCIKIT-LEARN И TENSORFLOW
Орельен Жерон

Благодаря серии недавних

достижений глубокое обучение
значительно усилило всю область

машинного обучения. В наше
время даже программисты, почти

ничего не знающие об этой
технологии, могут использовать

простые и эффективные
инструменты для --">