جلد سخت سیاه و سفید
Product details
- Publisher : Springer; 1st ed. 2022 edition (February 19, 2022)
- Language : English
- Hardcover : 215 pages
- ISBN-10 : 3030931579
- ISBN-13 : 978-3030931575
کتاب Deep Generative Modeling
This textbook tackles the problem of formulating AI systems by combining probabilistic modeling and deep learning. Moreover, it goes beyond typical predictive modeling and brings together supervised learning and unsupervised learning. The resulting paradigm, called deep generative modeling, utilizes the generative perspective on perceiving the surrounding world. It assumes that each phenomenon is driven by an underlying generative process that defines a joint distribution over random variables and their stochastic interactions, i.e., how events occur and in what order. The adjective "deep" comes from the fact that the distribution is parameterized using deep neural networks. There are two distinct traits of deep generative modeling. First, the application of deep neural networks allows rich and flexible parameterization of distributions. Second, the principled manner of modeling stochastic dependencies using probability theory ensures rigorous formulation and prevents potential flaws in reasoning. Moreover, probability theory provides a unified framework where the likelihood function plays a crucial role in quantifying uncertainty and defining objective functions.
Deep Generative Modeling is designed to appeal to curious students, engineers, and researchers with a modest mathematical background in undergraduate calculus, linear algebra, probability theory, and the basics in machine learning, deep learning, and programming in Python and PyTorch (or other deep learning libraries). It will appeal to students and researchers from a variety of backgrounds, including computer science, engineering, data science, physics, and bioinformatics, who wish to become familiar with deep generative modeling. To engage the reader, the book introduces fundamental concepts with specific examples and code snippets. The full code accompanying the book is available on github.
The ultimate aim of the book is to outline the most important techniques in deep generative modeling and, eventually, enable readers to formulate new models and implement them.
منابع کتاب کتاب Deep Generative Modeling
این کتاب درسی به مشکل فرمول‌بندی سیستم‌های هوش مصنوعی با ترکیب مدل‌سازی احتمالی و یادگیری عمیق می‌پردازد. علاوه بر این، فراتر از مدل‌سازی پیش‌بینی‌کننده معمولی است و یادگیری تحت نظارت و یادگیری بدون نظارت را گرد هم می‌آورد. پارادایم حاصل که مدل سازی مولد عمیق نامیده می شود، از دیدگاه مولد در درک دنیای اطراف استفاده می کند. فرض بر این است که هر پدیده توسط یک فرآیند مولد اساسی هدایت می‌شود که توزیع مشترکی را بر روی متغیرهای تصادفی و برهمکنش‌های تصادفی آنها تعریف می‌کند، به عنوان مثال، رویدادها چگونه و به چه ترتیبی رخ می‌دهند. صفت "عمیق" از این واقعیت ناشی می شود که توزیع با استفاده از شبکه های عصبی عمیق پارامتر بندی می شود. دو ویژگی متمایز از مدل‌سازی مولد عمیق وجود دارد. اول، استفاده از شبکه های عصبی عمیق امکان پارامترسازی غنی و انعطاف پذیر توزیع ها را فراهم می کند. دوم، روش اصولی مدل‌سازی وابستگی‌های تصادفی با استفاده از نظریه احتمال، فرمول‌بندی دقیق را تضمین می‌کند و از نقص‌های احتمالی در استدلال جلوگیری می‌کند. علاوه بر این، نظریه احتمال یک چارچوب یکپارچه را فراهم می کند که در آن تابع احتمال نقش مهمی در کمی کردن عدم قطعیت و تعریف توابع هدف ایفا می کند.
Deep Generative Modeling به گونه ای طراحی شده است که برای دانشجویان، مهندسان و محققان کنجکاو با پیشینه ریاضی متوسطی در حساب دیفرانسیل و انتگرال، جبر خطی، تئوری احتمالات، و اصول اولیه در یادگیری ماشین، یادگیری عمیق و برنامه نویسی در پایتون و PyTorch (یا سایر موارد عمیق) جذاب باشد. کتابخانه های یادگیری). این برای دانشجویان و محققان با زمینه‌های مختلف، از جمله علوم کامپیوتر، مهندسی، علوم داده، فیزیک و بیوانفورماتیک، که مایلند با مدل‌سازی مولد عمیق آشنا شوند، جذاب خواهد بود. برای جلب توجه خواننده، کتاب مفاهیم اساسی را با مثال‌های خاص و تکه‌های کد معرفی می‌کند. کد کامل همراه کتاب در github موجود است.
هدف نهایی کتاب ترسیم مهم‌ترین تکنیک‌ها در مدل‌سازی مولد عمیق و در نهایت توانمندسازی خوانندگان برای تدوین مدل‌های جدید و پیاده‌سازی آنها است.
ارسال نظر درباره کتاب Deep Generative Modeling