Deep Learning: Adaptive Computation and Machine Learning series

تاریخ: ۲۰:۳۱:۵۹ ۱۳۹۹/۲/۲۰ شنبه
توسط: MotoMan
امتیاز: ۱
تعداد بازدید: ۲۹۶
دیدگاه ها: ۰
کتاب Deep Learning: Adaptive Computation and Machine Learning series
The MIT Press
Ian Goodfellow, Yoshua Bengio, Aaron Courville
9780262035613
2016
800
English

یادگیری عمیق شکلی از یادگیری ماشین است که کامپیوترها را قادر می‌سازد تا از تجربه یاد بگیرند و جهان را از منظر سلسله مراتبی از مفاهیم درک کنند. از آنجا که کامپیوتر دانش را از تجربه جمع آوری می‌کند، دیگر نیازی به یک اپراتور کامپیوتر انسانی نیست تا بطور رسمی تمام دانش مورد نیاز کامپیوتر را مشخص کند. سلسله مراتب مفاهیم به کامپیوتر این امکان را می‌دهد تا با ساختن آنها از موارد ساده‌تر مفاهیم پیچیده را بیاموزد؛ گرافی از این سلسله مراتب ها، ممکن است لایه‌های زیادی عمق داشته باشد. این کتاب طیف وسیعی از موضوعات را درباره یادگیری عمیق معرفی می‌کند.

کتاب Deep Learning (Adaptive Computation and Machine Learning series)، پیش زمینه ریاضیات و مفهومی را ارائه می‌دهد و مفاهیم مربوط به جبر خطی ، نظریه احتمالات و نظریه اطلاعات، محاسبات عددی و یادگیری ماشین را پوشش می‌دهد. این کتاب تکنیک‌های یادگیری عمیق را که توسط شاغلان در صنعت استفاده می‌شود، از جمله شبکه‌های عمیق پیشخور، تنظیم، الگوریتم‌های بهینه سازی، شبکه‌های پیچشی، مدل سازی توالی و متدولوژی عملی را شرح می‌دهد و کاربرد هایی مانند پردازش زبان طبیعی، تشخیص گفتار، بینایی ماشین، سیستم‌های توصیه گر آنلاین، بیوانفورماتیک و بازی‌های ویدئویی را بررسی می‌کند. سرانجام، این کتاب دیدگاه‌های تحقیقاتی ارائه می‌دهد، مباحث نظری نظیر مدل‌های عامل خطی، خود رمزگذار ها، یادگیری بازنمایی، مدل‌های ساختاری احتمالی، روش‌های مونت کارلو، تابع پارتیشن، استنتاج تقریبی و مدل‌های مولد عمیق را نیز پوشش می‌دهد.


کتاب یادگیری عمیق، برای دانشجویان کارشناسی یا کارشناسی ارشد که قصد کار کردن در صنعت یا انجام کار‌های تحقیقاتی دارند و همچنین مهندسان نرم افزاری که می‌خواهند از یادگیری عمیق در محصولات یا پلتفرم‌های خود شروع به استفاده کنند، مناسب است.

  

Table of Contents:
- Chapter 1, Introduction
- Chapter 2, Linear Algebra
- Chapter 3, Probability and Information Theory
- Chapter 4, Numerical Computation
- Chapter 5, Machine Learning Basics
- Chapter 6, Deep Feedforward Networks 
- Chapter 7, Regularization for Deep Learning
- Chapter 8, Optimization for Training Deep Models
- Chapter 9, Convolutional Networks
- Chapter 10, Sequence Modeling
- Chapter 11, Practical Methodology
- Chapter 12, Applications
- Chapter 13, Linear Factor Models
- Chapter 14, Autoencoders
- Chapter 15, Representation Learning
- Chapter 16, Structured Probabilistic Models for Deep Learning
- Chapter 17, Monte Carlo Methods
- Chapter 18, Confronting the Partition Function
- Chapter 19, Approximate Inference
- Chapter 20, Deep Generative Models
like می پسندم
dislike به درد نمی خوره
مطالب مشابه
دیدگاه ها
  • اولین نفری باشید که نظری می دهید!
loading...

لطفا منتظر بمانید...