Math for Deep Learning : Les bases mathématiques pour comprendre les réseaux de neurones - Ronald T. Kneusel - Marjane Mall - Image 1
220
00DH
300.00 DH
-27%

Math for Deep Learning : Les bases mathématiques pour comprendre les réseaux de neurones - Ronald T. Kneusel

Livraison

Détails
Frais de livraison à partir de :
Livraison entre le Jeudi 10 septembre 2026 et le Vendredi 11 septembre 2026

À propos de cet article :

Marque : GENERIC
Vendu par HEAVENBOOKS.MA

Plongez au cœur du Deep Learning avec cet ouvrage de référence signé Ronald T. Kneusel. Ce livre de 344 pages vous guide à travers les concepts mathématiques essentiels — algèbre linéaire, statistiques, probabilités et calcul matriciel — nécessaires pour maîtriser les réseaux de neurones. Grâce à des exemples concrets en Python, vous apprendrez à i...

1

Mode de paiement

Paiement par carte bancaire
Carte marocaines
Paiement à la livraison
Paiement en espèce à la livraison
Politique de retours
Note de politique de retour

Description produit

Marque
GENERIC
Titre
Math for Deep Learning: What You Need to Know to Understand Neural Networks
Éditeur
No Starch Press
Type de produit
Paperback
Présentation du livre
Paperback
Date de sortie
12/7/2021 12:00:00 AM
Langue d'origine
English
ISBN
1718501900
Nombre de pages
344 pages
Langue
English
Résumé
Math for Deep Learning provides the essential math you need to understand deep learning discussions, explore more complex implementations, and better use the deep learning toolkits.With Math for Deep Learning, you'll learn the essential mathematics used by and as a background for deep learning. You’ll work through Python examples to learn key deep learning related topics in probability, statistics, linear algebra, differential calculus, and matrix calculus as well as how to implement data flow in a neural network, backpropagation, and gradient descent. You’ll also use Python to work through the mathematics that underlies those algorithms and even build a fully-functional neural network.In addition you’ll find coverage of gradient descent including variations commonly used by the deep learning community: SGD, Adam, RMSprop, and Adagrad/Adadelta. Read more
Auteur
Ronald T. Kneusel
Date de parution
12/7/2021 12:00:00 AM