Apprentissage profond : principes et concepts
A

Apprentissage profond : principes et concepts

Réseaux neuronaux
deep learning neural networks machine learning probability theory Bayesian inference Gaussian distribution model regularization
Auteur
Кристофер М. Бишоп, Хью Бишоп
Éditeur
ДМК Пресс
Année
2025
Langue
Russe
65
Évaluer ce livre

Pour lire le livre, se connecter / s'inscrire

Aperçu du fragment

Livres similaires

Apprentissage profond du point de vue pratique

Apprentissage profond du point de vue pratique

Джош Паттерсон, Адам Гибсон

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Эндрю Гласснер

Modèles bayésiens de perception et d'action. Une perspective moderne sur les principes de fonctionnement du cerveau

Modèles bayésiens de perception et d'action. Une perspective moderne sur les principes de fonctionnement du cerveau

Вэй Цзи Ма, Конрад Кёрдинг, Дэниел Голдрайх

Apprentissage automatique probabiliste : introduction

Apprentissage automatique probabiliste : introduction

Кэвин П. Мэрфи

Machine Learning sans fioritures

Machine Learning sans fioritures

Андрей Бурков

Apprentissage automatique. Science et art de la conception d'algorithmes qui extraient des connaissances à partir des données.

Apprentissage automatique. Science et art de la conception d'algorithmes qui extraient des connaissances à partir des données.

Петер Флах (Peter Flach)

Régression : théorie et pratique. Avec des exemples en R et Stan

Régression : théorie et pratique. Avec des exemples en R et Stan

Эндрю Гельман, Дженнифер Хилл, Аки Вехтари

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Кэвин П. Мэрфи

Apprentissage profond en biologie et médecine

Apprentissage profond en biologie et médecine

Бхарат Рамсундар, Питер Истман, Патрик Уолтерс, Виджай Панде

Analyse bayésienne avec Python. Introduction à la modélisation statistique et à la programmation probabiliste avec PyMC3 et ArviZ

Analyse bayésienne avec Python. Introduction à la modélisation statistique et à la programmation probabiliste avec PyMC3 et ArviZ

Освальдо Мартин