Кришнанду Чаудхури | Математика и архитектура глубокого обучения [2 книги] (2024, 2026) [PDF, EPUB, MOBI, AZW3] [RU, EN]

В этой книге:

основные принципы проектирования нейронных сетей;
реализация глубокого обучения на Python с помощью PyTorch;
регуляризация и оптимизация неэффективных моделей.
Читатель должен быть знаком с языком программирования Python и знать основы алгебры и матанализа.

Кому адресована книга

Книга адресована читателю, имеющему базовые знания инженерной математики и программирования на Python, а также серьезное намерение освоить глубокое обучение. Для максимальной пользы математические выкладки рекомендуется проработать с помощью карандаша и бумаги, а программы PyTorch — выполнить на компьютере. Вот некоторые возможные категории читателей.
Специалист с научно-техническим или математическим образованием (возможно, полученным некоторое время назад), который рассматривает возможность начать карьеру в сфере глубокого обучения. Предварительные знания из области машинного обучения или глубокого обучения не требуются.
Практикующий специалист по машинному обучению начального или среднего уровня, стремящийся лучше понять работу различных методов и перейти от загрузки моделей из Интернета и их тестирования к разработке собственных решений глубокого обучения для реализации реальных задач и/или развить способность читать и понимать исследовательские публикации по данной теме.
Студент, начинающий карьеру в области глубокого обучения.

«Для визуализации точек и манипулирования ими в многомерных пространствах в машинном обучении используется коктейль из линейной алгебры, векторного исчисления, математической статистики и топологии. В этой книге простым и понятным языком описываются основы и демонстрируется код PyTorch: все, что нужно, чтобы стать хорошим специалистом по глубокому обучению».
— Винит Гупта, Google Research
«Подробно объясняет математику, лежащую в основе глубокого обучения!»
— Григорий Сапунов, Intento
«Глубокое обучение во всей красе, со всеми математическими подробностями. Отличная книга!»
— Атул Саурав, Genworth Financial

Об авторах

Кришнанду Чаудхури
технический директор и сооснователь компании Drishti Technologies (располагается в Пало-Альто, Калифорния), которая использует ИИ в производстве. На протяжении нескольких десятилетий активно исследует и внедряет технологии глубокого обучения и компьютерного зрения. До основания Drishti Кришнанду более 20 лет проработал в крупных компаниях, включая Google (2004–2015) и Adobe Systems (1996–2004). С 2015 по 2017 год руководил научным отделом в Flipkart, специализирующимся на компьютерном зрении. В 2017 году покинул Flipkart, чтобы основать Drishti. Кришнанду получил докторскую степень в области информатики в Университете Кентукки в Лексингтоне. На его счету несколько десятков патентов, множество публикаций в ведущих журналах и выступлений на международных конференциях.
Ананья Хоннедевастхана Ашок, Суджай Наруманчи и Девашиш Шанкар
практикующие специалисты по машинному обучению, владеющие множеством патентов в области глубокого обучения и компьютерного зрения. Все они являются членами команды инженеров — основателей Drishti.

Краткое содержание

Предисловие
Введение
Благодарности
О книге
Об авторах
Глава 1. Обзор машинного и глубокого обучения
Глава 2. Векторы, матрицы и тензоры в машинном обучении
Глава 3. Классификаторы и векторное исчисление
Глава 4. Инструменты линейной алгебры в машинном обучении
Глава 5. Распределение вероятностей в машинном обучении
Глава 6. Байесовские инструменты в машинном обучении
Глава 7. Аппроксимация функций: как нейронные сети моделируют мир
Глава 8. Обучение нейронных сетей: прямое и обратное распространение ошибки
Глава 9. Функции потерь, оптимизация и регуляризация
Глава 10. Свертки в нейронных сетях
Глава 11. Нейронные сети для классификации изображений и обнаружения объектов
Глава 12. Многообразия, гомеоморфизм и нейронные сети
Глава 13. Полное байесовское оценивание параметров
Глава 14. Латентное пространство, генеративное моделирование и автокодировщики
Приложение
Обозначения

В оригинале

K. Chaudhury. Math and Architectures of Deep Learning

Shine a spotlight into the deep learning “black box”. This comprehensive and detailed guide reveals the mathematical and architectural concepts behind deep learning models, so you can customize, maintain, and explain them more effectively.
Inside Math and Architectures of Deep Learning you will find:
Math, theory, and programming principles side by side.
Linear algebra, vector calculus and multivariate statistics for deep learning.
The structure of neural networks.
Implementing deep learning architectures with Python and PyTorch.
Troubleshooting underperforming models.
Working code samples in downloadable Jupyter notebooks.

Table of Contents
An overview of machine learning and deep learning.
Vectors, matrices, and tensors in machine learning.
Classifiers and vector calculus.
Linear algebraic tools in machine learning.
Probability distributions in machine learning.
Bayesian tools for machine learning.
Function approximation: How neural networks model the world.
Training neural networks: Forward propagation and backpropagation.
Loss, optimization, and regularization.
Convolutions in neural networks.
Neural networks for image classification and object detection.
Manifolds, homeomorphism, and neural networks.
Fully Bayes model parameter estimation.
Latent space and generative modeling, autoencoders, and variational autoencoders.
A Appendix