Глубокое обучение. Погружение в мир нейронных сетей

Оглавление Часть I. Как обучать нейронные сети Глава 1. От биологии к информатике 1.1. Революция обучения глубоких сетей 1.2. Искусственный интеллекти машинное обучение 1.3. Немного о словах:каким бывает машинное обучение 1.4. Особенности человеческого мозга 1.5. Пределы нейробиологии: что мы на самом деле знаем? 1.6. Блеск и нищета современных нейронных сетей Глава 2. Предварительные сведения 2.1. Теорема Байеса 2.2. Функции ошибки и регуляризация 2.3. Расстояние Кульбака — Лейблераи перекрестная энтропия 2.4. Градиентный спуск: основы 2.5. Граф вычислений и дифференцирование на нем 2.6. И о практике: введение в TensorFlow и Keras Глава 3. Перцептрон 3.1. Когда появились искусственные нейронные сети 3.2. Как работает перцептрон 3.3. Современные перцептроны: функции активации 3.4. Как же обучаются настоящие нейроны 3.5. Глубокие сети: в чем прелесть и в чем сложность? 3.6. Пример: распознаваниерукописных цифр на TensorFlow Часть II, Основные архитектуры Глава 4. Быстрее, глубже, сильнее 4.1. Регуляризация в нейронных сетях 4.2. Как инициализировать веса 4.3. Нормализация по мини-батчам 4.4. Метод моментов: Ньютон, Нестеров и Гессе 4.5. Адаптивные варианты градиентного спуска Глава 5Сверточные нейронные сетии автокодировщики 5.1. Зрительная кора головного мозга 5.2. Свертки и сверточные сети 5.3. Пример: свертки для распознавания цифр 5.4. Современные сверточные архитектуры 5.5. Автокодировщики 5.6. Пример: кодируем рукописные цифры Глава 6. Рекуррентные нейронные сети 6.1. Мотивация: обработка последовательностей 6.2. Распространение ошибки и архитектуры RNN 6.3. LSTM 6.4. GRU и другие варианты 6.5. SCRN и другие: долгая память в обычных RNN 6.6. Пример: порождаем текст символ за символом Часть III. Новые архитектурыи применения Глава 7. Как научить компьютер читать 7.1. Интеллектуальная обработка текстов 7.2. Распределенные представления слов: word2vec 7.3. Русскоязычный word2vec на практике 7.4. GloVe: раскладываем матрицу правильно 7.5. Вверх и вниз от представлений слов 7.6. Рекурсивные нейронные сетии синтаксический разбор Глава 8. Современные архитектуры 8.1. Модели с вниманием и encoder-decoder 8.2. Порождающие модели и глубокое обучение 8.3. Состязательные сети 8.4. Практический примери трюк с логистическим сигмоидом 8.5. Архитектуры, основанные на GAN Глава 9. Глубокое обучениес подкреплением 9.1. Обучение с подкреплением 9.2. Марковские процессы принятия решений 9.3. От TDGammon к DQN 9.4. Бамбуковая хлопушка 9.5. Градиент по стратегиям и другие применения Глава 10. Нейробайесовские методу 10.1. Теорема Байеса и нейронные сети 10.2. Алгоритм ЕМ 10.3. Вариационные приближения 10.4. Вариационный автокодировщик 10.5. Байесовские нейронные сети и дропаут 10.6. Заключение: что не вошло в книгуи что будет дальше Благодарности Литература