Deep learning / Ian Goodfellow, Yoshua Bengio, and Aaron Courville.

Por: Goodfellow, Ian [,autor]Colaborador(es): Bengio, Yoshua [,autor] | Courville, Aaron [,autor]Tipo de material: TextoTextoSeries Adaptive computation and machine learningEditor: Cambridge, Massachusetts : The MIT Press, [2016]Descripción: xxii, 775 páginas : ilustraciones (algunas en color)Tipo de contenido: text Tipo de medio: unmediated Tipo de portador: volumeISBN: 9780262035613 ; 0262035618 Tema(s): APRENDIZAJE AUTOMATICO (Inteligencia Artificial)Clasificación CDD: 006.31 Recursos en línea: Ver registro electrónico
Contenidos:
Applied math and machine learning basics. Linear algebra -- Probability and information theory -- Numerical computation -- Machine learning basics -- Deep networks: modern practices. Deep feedforward networks -- Regularization for deep learning -- Optimization for training deep models -- Convolutional networks -- Sequence modeling: recurrent and recursive nets -- Practical methodology -- Applications -- Deep learning research. Linear factor models -- Autoencoders -- Representation learning -- Structured probabilistic models for deep learning -- Monte Carlo methods -- Confronting the partition function -- Approximate inference -- Deep generative models.
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título. Ingresar para agregar etiquetas.
Valoración
    Valoración media: 0.0 (0 votos)
Existencias
Tipo de ítem Biblioteca actual Colección número de clasificación Copia número Estado Notas Fecha de vencimiento Código de barras
Libro de Proyecto Libro de Proyecto Biblioteca Campus San Joaquín
Colección Material de Proyecto 006.31 G651 (Navegar estantería(Abre debajo)) 1 Prestado 3er. Piso 31/12/2050 35609002082451
Libro de Proyecto Libro de Proyecto Biblioteca Campus San Joaquín
Colección Material de Proyecto 006.31 G651 (Navegar estantería(Abre debajo)) 2 Prestado 31/12/2050 35609002082450

Applied math and machine learning basics. Linear algebra -- Probability and information theory -- Numerical computation -- Machine learning basics -- Deep networks: modern practices. Deep feedforward networks -- Regularization for deep learning -- Optimization for training deep models -- Convolutional networks -- Sequence modeling: recurrent and recursive nets -- Practical methodology -- Applications -- Deep learning research. Linear factor models -- Autoencoders -- Representation learning -- Structured probabilistic models for deep learning -- Monte Carlo methods -- Confronting the partition function -- Approximate inference -- Deep generative models.

COBERTURA BIBLIOGRAFICA:
INF473
Asignatura: Introducción a la inteligencia artificial explicable