Vítáme Vás, můžete se přihlásit nebo vytvořit účet.

Cart

product (empty)

Košík je prázdný

Zboží celkem: 0 Kč

Termín obdržení zásilky
Dodací doba je ovlivněna statním svátkem ( 01.05 )
Česká pošta	Čtvrtek 02.05
PPL	Čtvrtek 02.05
Osobní odběr	Pátek 03.05
Termíny jsou pouze orientační a mohou se lišit podle zvoleného typu platby. O Průběhu zásilky Vás budeme informovat e-mailem.
Při nákupu většího množství produktů negarantujeme dodání do zobrazeného data

Deep learning i modelowanie generatywne

36 %

249 Kč 390 Kč

Expedice za 2 až 3 dny

Sleva až 70% u třetiny knih

Popis knihy

Techniki uczenia głębokiego rozwijają się w imponującym tempie, a sieci neuronowe znajdują zastosowanie w przeróżnych branżach. Coraz częściej komputer wykonuje zadania, które do niedawna były zarezerwowane dla człowieka. Dobrym przykładem jest tworzenie dzieł sztuki: ostatnie postępy w dziedzinie modelowania generatywnego sprawiają, że maszyny tworzą oryginalne obrazy w określonym stylu, piszą spójne akapity tekstu, komponują przyjemną w odbiorze muzykę i generują prawdopodobne scenariusze zdarzeń. Ta \"generatywna rewolucja\" już się zaczęła, a jej efekty przekraczają najśmielsze wyobrażenia.
Ta książka jest praktycznym przewodnikiem przeznaczonym dla inżynierów uczenia maszynowego i analityków danych. W jasny i przystępny sposób omówiono w niej zasadnicze zagadnienia teorii modelowania generatywnego, a następnie zaprezentowano techniki stosowane do budowy modeli generatywnych, włącznie z ogólnym opisem uczenia głębokiego, wariacyjnych autoenkoderów i generatywnych sieci antagonistycznych (GAN). Na tej podstawie - z wykorzystaniem biblioteki Keras - pokazano wewnętrzne funkcjonowanie każdej z tych technik, łącznie z najbardziej nowatorskimi architekturami. Opisano krok po kroku sposoby rozwiązywania takich twórczych zadań jak malowanie, pisanie i komponowanie muzyki, a także zastosowania modelowania generatywnego do optymalizacji strategii grania w gry (modele World).
W książce między innymi:
- działanie autoenkoderów wariacyjnych
- tworzenie sieci GAN, w tym CycleGAN i MuseGAN
- rekurencyjne modele generatywne do tworzenia tekstu oraz mechanizmy uwagi
- modele generatywne w środowiskach uczenia przez wzmacnianie
- architektura Transformer (BERT, GPT-2) oraz modele generowania obrazu