Generative Deep Learning, 2a edizione

Capitolo 2. Deep Learning

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Obiettivi del capitolo

In questo capitolo scoprirai:

• Scopri i diversi tipi di dati non strutturati che possono essere modellati con il deep learning.

• Definire una rete neurale profonda e capire come può essere utilizzata per modellare insiemi di dati complessi.

• Costruisci un perceptron multistrato per prevedere il contenuto di un'immagine.

• Migliorare le prestazioni del modello utilizzando livelli convoluzionali, dropout e livelli di normalizzazione dei lotti.

Iniziamo con una definizione di base del deep learning :

Deep Learning è una classe di algoritmi di apprendimento automatico che utilizza più strati sovrapposti di unità di elaborazione per apprendere rappresentazioni di alto livello da dati non strutturati.

Per comprendere appieno il deep learning, dobbiamo approfondire questa definizione. Per prima cosa, daremo un'occhiata ai diversi tipi di dati non strutturati che l'apprendimento profondo può essere utilizzato per modellare, poi ci immergeremo nella meccanica della costruzione di più livelli sovrapposti di unità di elaborazione per risolvere compiti di classificazione. Questo fornirà le basi per i prossimi capitoli in cui ci concentreremo sull'apprendimento profondo per compiti generativi.

Dati per il Deep Learning

Molti tipi di algoritmi di apprendimento automatico richiedono come input dati ...