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
Christopher M. Bishop, Hugh Bishop
Éditeur
DMK Press
Année
2025
Langue
Russe
212
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

Josh Patterson, Adam Gibson

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Deep Learning sans Mathématiques. Volume 1. Fondamentaux

Andrew Glassner

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

Wei Ji Ma, Konrad Kording, Daniel Goldreich

Apprentissage automatique probabiliste : introduction

Apprentissage automatique probabiliste : introduction

Kevin P. Murphy

Machine Learning sans fioritures

Machine Learning sans fioritures

Andreï Bourkov

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.

Peter Flach

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

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

Andrew Gelman, Jennifer Hill, Aki Vehtari

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Apprentissage automatique probabiliste. Sujets avancés : fondements, inférence

Kevin P. Murphy

Apprentissage profond en biologie et médecine

Apprentissage profond en biologie et médecine

Bharat Ramsundar, Peter Eastman, Patrick Walters, Vijay Pande

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

Oswaldo Martin