| Titre : |
Deep learning avec TensorFlow : mise en oeuvre et cas concrets |
| Type de document : |
texte imprimé |
| Auteurs : |
Aurélien Géron, Auteur ; Hervé Soulard, Traducteur |
| Editeur : |
Paris ; Malakoff : Dunod |
| Année de publication : |
2017 |
| Importance : |
XIII, 346 p. |
| Présentation : |
ill. |
| Format : |
25 cm |
| ISBN/ISSN/EAN : |
978-2-10-075993-4 |
| Note générale : |
Trad. de la 2e partie de : Hands-on machine learning with Scikit-Learn and TensorFlow. - Notes bibliogr. - Index |
| Langues : |
Français (fre) Langues originales : Anglais (eng) |
| Mots-clés : |
Apprentissage profond
Intelligence artificielle |
| Index. décimale : |
004.8 Intelligence artificielle |
| Résumé : |
Ce livre en présente les principales techniques : les réseaux de neurones profonds, capables de modéliser toutes sortes de données, les réseaux de convolution, capables de classifier des images, les segmenter et découvrir les objets ou personnes qui s'y trouvent, les réseaux récurrents, capables de gérer des séquences telles que des phrases, des séries temporelles, ou encore des vidéos, les autoencodeurs qui peuvent découvrir toutes sortes de structures dans des données, de façon non supervisée, et enfin le Reinforcement Learning (apprentissage par renforcement) qui permet de découvrir automatiquement les meilleures actions pour effectuer une tâche (par exemple un robot qui apprend à marcher).Ce livre présente TensorFlow, le framework de Deep Learning créé par Google. Il est accompagné de notebooks Jupyter (disponibles sur github) qui contiennent tous les exemples de code du livre, afin que le lecteur puisse facilement tester et faire tourner les programmes |
| Note de contenu : |
Au sommaire :
1. Les fondamentaux du Machine Learning.
2. Introduction à trensorflow.
3. Introduction aux réseaux de neurones artificiels.
4. Entrainment de réseaux de neurones profonds.
5. Distribution de TensorFlow sur des precessurs ou des serveurs.
6. Réseaux de neurones convolutifs.
7. Réseaux de neurones récurrents.
8. Autoencodeurs.
9. Apprentissage par renforcement.
... |
Deep learning avec TensorFlow : mise en oeuvre et cas concrets [texte imprimé] / Aurélien Géron, Auteur ; Hervé Soulard, Traducteur . - Paris ; Malakoff : Dunod, 2017 . - XIII, 346 p. : ill. ; 25 cm. ISBN : 978-2-10-075993-4 Trad. de la 2e partie de : Hands-on machine learning with Scikit-Learn and TensorFlow. - Notes bibliogr. - Index Langues : Français ( fre) Langues originales : Anglais ( eng)
| Mots-clés : |
Apprentissage profond
Intelligence artificielle |
| Index. décimale : |
004.8 Intelligence artificielle |
| Résumé : |
Ce livre en présente les principales techniques : les réseaux de neurones profonds, capables de modéliser toutes sortes de données, les réseaux de convolution, capables de classifier des images, les segmenter et découvrir les objets ou personnes qui s'y trouvent, les réseaux récurrents, capables de gérer des séquences telles que des phrases, des séries temporelles, ou encore des vidéos, les autoencodeurs qui peuvent découvrir toutes sortes de structures dans des données, de façon non supervisée, et enfin le Reinforcement Learning (apprentissage par renforcement) qui permet de découvrir automatiquement les meilleures actions pour effectuer une tâche (par exemple un robot qui apprend à marcher).Ce livre présente TensorFlow, le framework de Deep Learning créé par Google. Il est accompagné de notebooks Jupyter (disponibles sur github) qui contiennent tous les exemples de code du livre, afin que le lecteur puisse facilement tester et faire tourner les programmes |
| Note de contenu : |
Au sommaire :
1. Les fondamentaux du Machine Learning.
2. Introduction à trensorflow.
3. Introduction aux réseaux de neurones artificiels.
4. Entrainment de réseaux de neurones profonds.
5. Distribution de TensorFlow sur des precessurs ou des serveurs.
6. Réseaux de neurones convolutifs.
7. Réseaux de neurones récurrents.
8. Autoencodeurs.
9. Apprentissage par renforcement.
... |
|  |
Deep learning avec TensorFlow (2017)
