Product details
- Publisher : Springer; Softcover reprint of the original 1st ed. 2018 edition (January 31, 2019)
- Language : English
- Paperback : 520 pages
- ISBN-10 : 3030068560
- ISBN-13 : 978-3030068561
جلد معمولی سیاه و سفید_کتاب Neural Networks and Deep Learning: A Textbook
This book covers both classical and modern models in deep learning. The primary focus is on the theory and algorithms of deep learning. The theory and algorithms of neural networks are particularly important for understanding important concepts, so that one can understand the important design concepts of neural architectures in different applications. Why do neural networks work? When do they work better than off-the-shelf machine-learning models? When is depth useful? Why is training neural networks so hard? What are the pitfalls? The book is also rich in discussing different applications in order to give the practitioner a flavor of how neural architectures are designed for different types of problems. Applications associated with many different areas like recommender systems, machine translation, image captioning, image classification, reinforcement-learning based gaming, and text analytics are covered. The chapters of this book span three categories:
The basics of neural networks: Many traditional machine learning models can be understood as special cases of neural networks. An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec.
Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines.
Advanced topics in neural networks: Chapters 7 and 8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10.
The book is written for graduate students, researchers, and practitioners. Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques.
منابع کتاب جلد معمولی سیاه و سفید_کتاب Neural Networks and Deep Learning: A Textbook
این کتاب هر دو مدل کلاسیک و مدرن در یادگیری عمیق را پوشش می دهد. تمرکز اصلی بر نظریه و الگوریتم های یادگیری عمیق است. تئوری و الگوریتم‌های شبکه‌های عصبی برای درک مفاهیم مهم اهمیت ویژه‌ای دارند، به طوری که می‌توان مفاهیم مهم طراحی معماری‌های عصبی را در کاربردهای مختلف درک کرد. چرا شبکه های عصبی کار می کنند؟ چه زمانی آنها بهتر از مدل های یادگیری ماشینی خارج از قفسه کار می کنند؟ چه زمانی عمق مفید است؟ چرا آموزش شبکه های عصبی اینقدر سخت است؟ چه مشکلاتی وجود دارد؟ این کتاب همچنین غنی از بحث در مورد کاربردهای مختلف است تا به پزشک مزه ای از نحوه طراحی معماری های عصبی برای انواع مختلف مشکلات بدهد. برنامه های مرتبط با بسیاری از حوزه های مختلف مانند سیستم های توصیه کننده، ترجمه ماشینی، شرح تصاویر، طبقه بندی تصاویر، بازی های مبتنی بر یادگیری تقویتی و تجزیه و تحلیل متن پوشش داده شده است. فصول این کتاب شامل سه دسته است:
مبانی شبکه های عصبی: بسیاری از مدل های سنتی یادگیری ماشین را می توان به عنوان موارد خاص شبکه های عصبی درک کرد. در دو فصل اول بر درک رابطه بین یادگیری ماشین سنتی و شبکه های عصبی تاکید شده است. ماشین‌های بردار پشتیبان، رگرسیون خطی/لجستیک، تجزیه مقدار منفرد، فاکتورسازی ماتریس و سیستم‌های توصیه‌کننده موارد خاصی از شبکه‌های عصبی هستند. این روش ها همراه با روش های اخیر مهندسی ویژگی مانند word2vec مورد مطالعه قرار می گیرند.
مبانی شبکه‌های عصبی: بحث مفصلی در مورد آموزش و تنظیم در فصل‌های 3 و 4 ارائه شده است.
مباحث پیشرفته در شبکه های عصبی: فصل های 7 و 8 شبکه های عصبی تکراری و شبکه های عصبی کانولوشنال را مورد بحث قرار می دهند. چندین موضوع پیشرفته مانند یادگیری تقویتی عمیق، ماشین‌های تورینگ عصبی، نقشه‌های خودسازماندهی Kohonen و شبکه‌های متخاصم مولد در فصل‌های 9 و 10 معرفی شده‌اند.
این کتاب برای دانشجویان تحصیلات تکمیلی، محققین و متخصصان نوشته شده است. تمرین‌های متعددی همراه با کتابچه راهنمای راه‌حل برای کمک به تدریس در کلاس در دسترس است. در صورت امکان، یک نمای برنامه محور برجسته می شود تا درک درستی از کاربردهای عملی هر کلاس از تکنیک ها ارائه شود.
ارسال نظر درباره جلد معمولی سیاه و سفید_کتاب Neural Networks and Deep Learning: A Textbook