La révolution des réseaux neuronaux

Ce livre propose une exploration complète de l'apprentissage profond en commençant par les bases des réseaux neuronaux y compris l'algorithme du perceptron et les techniques clés telles que la rétro-propagation l'optimisation et la régularisation. Il se penche sur les fondements de l'apprentissage profond couvrant des concepts importants tels que la descente de gradient la rétropropagation et les solutions à des défis tels que le problème du gradient qui s'évanouit. Le livre présente ensuite les réseaux neuronaux convolutifs (CNN) expliquant leurs architectures les couches de convolution et de mise en commun et les applications telles que l'apprentissage par transfert pour la classification d'images. En outre il couvre les architectures d'apprentissage profond avancées telles que les LSTM les GRU et les autoencodeurs y compris divers types tels que les réseaux génératifs épars de débruitage et adversaires. Enfin le livre aborde un large éventail d'applications de l'apprentissage profond du traitement et de la segmentation d'images à la détection d'objets à la génération de texte vidéo et aux systèmes de dialogue utilisant des LSTM en fournissant à la fois une compréhension théorique et des idées pratiques pour la mise en œuvre de modèles d'apprentissage profond.