Генеративное моделирование — одна из самых обсуждаемых тем в области искусственного интеллекта. Машины можно научить рисовать, писать и сочинять музыку. Вы сами можете посадить искусственный интеллект за парту или мольберт, для этого достаточно познакомиться с самыми актуальными примерами генеративных моделей глубокого обучения: вариационные автокодировщики, генеративно-состязательные сети, модели типа кодер-декодер и многое другое.
Дэвид Фостер делает понятными и доступными архитектуру и методы генеративного моделирования, его советы и подсказки сделают ваши модели более творческими и эффективными в обучении. Вы начнете с основ глубокого обучения на базе Keras, а затем перейдете к самым передовым алгоритмам.
— Разберитесь с тем, как вариационные автокодировщики меняют эмоции на фотографиях — Создайте сеть GAN с нуля — Освойте работу с генеративные моделями генерации текста — Узнайте, как генеративные модели помогают агентам выполнять задачи в рамках обучения с подкреплением — Изучите BERT, GPT-2, ProGAN, StyleGAN и многое другое.
Книгу «Генеративное глубокое обучение. Творческий потенциал нейронных сетей», автор которой — Фостер Д. ., вы можете почитать на сайте или в приложении для iOS или Android. Книги, аудиокниги и комиксы электронной библиотеки Букмейт можно читать и слушать онлайн или скачивать на устройство, чтобы читать без интернета.
Дискриминативная модель оценивает p (y|x) — вероятность метки y для данного наблюдения x. Генеративная модель оценивает p (x) — вероятность получения наблюдения x. Если набор данных содержит метки, то можно построить генеративную модель, оценивающую распределение p (x|y). Иначе говоря, дискриминативная модель оценивает вероятность того, что наблюдение x относится к категории y. Генеративная модель не учитывает метки наблюдений и оценивает вероятность того, что сгенерированное наблюдение похоже на остальные наблюдения.