Description du document
Deep learning génératif
Foster, David (19..-....) (informaticien)
Maniez, Dominique (1962-....) (traducteur)
Friston, Karl J. (1959-....) (neurobiologiste) (préfacier, etc.)
Paris : First interactive, DL 2024Maniez, Dominique (1962-....) (traducteur)
Friston, Karl J. (1959-....) (neurobiologiste) (préfacier, etc.)
Identifiez-vous pour pouvoir réserver un document actuellement emprunté par une autre personne ou demander le transfert d'un document entre les bibliothèques de Saint Serge et Belle Beille.
Bibliothèque | Localisation | Cote | Prêt | Disponibilité | File d'attente |
---|---|---|---|---|---|
Belle Beille | |||||
Zone calme 1 | 62 290 FOS 2024 | Disponible |
"En matière de nouvelles technologies, l'IA générative est le sujet dont on parle le plus en ce moment. Ce livre pratique enseigne aux ingénieurs en apprentissage automatique et aux data scientists l'utilisation de TensorFlow et de Keras pour créer de puissants modèles de deep learning génératif en partant de zéro, notamment des autoencodeurs variationnels (VAE), des réseaux antagonistes génératifs (GAN), des modèles Transformer, des flux de normalisation, des modèles basés sur l'énergie et des modèles de diffusion de débruitage. Le livre commence par les bases du deep learning, puis vous mène en douceur vers les architectures de pointe. Grâce à des conseils et des astuces, vous saurez exploiter vos modèles afin qu'ils apprennent plus efficacement et deviennent plus créatifs. Vous découvrirez également l'avenir de l'IA générative et comment tirer parti de cette nouvelle technologie exceptionnelle. Modifiez des expressions faciales sur des photos avec les VAE. Entraînez les GAN à générer des images à partir de votre propre jeu de données. Produisez de nouvelles variétés de fleurs avec des modèles de diffusion. Entraînez les grands modèles de langage (LLM) comme ChatGPT pour la génération de textes. Explorez les architectures de pointe telles que StyleGAN2 et ViT-VQGAN. Composez de la musique polyphonique avec les modèles Transformer et MuseGAN. Comprenez comment les modèles du monde peuvent résoudre les tâches d'apprentissage par renforcement. Explorez les modèles multimodaux tels que DALL.E 2, Imagen et Stable Diffusion."
Sujet(s)
Description 1 vol. (XII-456 p.) : ill., couv. ill. en coul. ; 23 cm
Note La p. de titre mentionne l'éditeur de la version originale : O'Reilly
La couv. porte : "Apprendre aux machines à dessiner, composer, écrire et jouer"
Notes webogr. Index
La couv. porte : "Apprendre aux machines à dessiner, composer, écrire et jouer"
Notes webogr. Index
Langue français
ISBN 978-2-4120-9269-9
Traduit de Generative deep learning
Partie 1. Introduction au deep learning génératif
1. Modélisation générative
2. Deep learning.
Partie 2. Méthodes
3. Autoencodeurs variationnels
4. Réseaux antagonistes génératifs
5. Modèles autorégressifs
6.Modèles de flux de normalisation
7. Modèles basés sur l'énergie
8. Modèles de diffusion.
Partie 3. Applications
9. Transformeurs
10. GAN avancés
11. Génération de musique
12. Modèles du monde
13. Modèles multimodaux
14. Conclusion
1. Modélisation générative
2. Deep learning.
Partie 2. Méthodes
3. Autoencodeurs variationnels
4. Réseaux antagonistes génératifs
5. Modèles autorégressifs
6.Modèles de flux de normalisation
7. Modèles basés sur l'énergie
8. Modèles de diffusion.
Partie 3. Applications
9. Transformeurs
10. GAN avancés
11. Génération de musique
12. Modèles du monde
13. Modèles multimodaux
14. Conclusion