دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Advances in Deep Learning
دانلود کتاب پیشرفت در یادگیری عمیق
مشخصات کتاب
Advances in Deep Learning
ویرایش: نویسندگان: M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan سری: ISBN (شابک) : 9789811367946 ناشر: Springer سال نشر: 2020 تعداد صفحات: 159 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 مگابایت
قیمت کتاب (تومان) : 59,000
در صورت تبدیل فایل کتاب Advances in Deep Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب پیشرفت در یادگیری عمیق نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب پیشرفت در یادگیری عمیق
این کتاب به بررسی مدل های پیشرفته یادگیری عمیق مورد استفاده توسط محققان می پردازد به تازگی. معماری های عمیق مختلف و اجزای آنها به تفصیل مورد بحث قرار گرفته است. الگوریتم هایی که برای آموزش معماری های عمیق با نرخ همگرایی سریع استفاده می شوند با برنامه های کاربردی نشان داده شده است. الگوریتم‌های تنظیم دقیق مختلفی برای بهینه‌سازی مورد بحث قرار گرفته‌اند مدل های عمیق این معماری های عمیق نه تنها قادر به یادگیری هستند وظایف پیچیده ای است اما حتی می تواند در برخی از برنامه های اختصاصی بهتر از انسان عمل کند. با وجود پیشرفت های چشمگیر در این زمینه، آموزش معماری های عمیق با الف تعداد زیاد فراپارامترها یک مسئله بهینه سازی پیچیده و نامناسب است. چالش های مختلف در پایان هر فصل بیان شده است. مسئله دیگر با معماری عمیق این است که یادگیری زمانی که بزرگ باشد از نظر محاسباتی فشرده می شود حجم داده برای آموزش استفاده می شود. کتاب یک یادگیری انتقالی را توصیف می کند رویکردی برای آموزش سریعتر مدلهای عمیق استفاده از این رویکرد نشان داده شده است در مجموعه داده های اثر انگشت این کتاب در هشت فصل تنظیم شده است: فصل 1 با مقدمه ای بر یادگیری ماشین شروع می شود و به دنبال آن فاندامنتال است محدودیت های روش های یادگیری ماشین سنتی عمیق معرفی می کند شبکه ها و سپس به طور مختصر در مورد چرایی استفاده از یادگیری عمیق و میزان عمق بحث می کند یادگیری کار می کند فصل دوم کتاب به یکی از موفق ترین یادگیری های عمیق اختصاص دارد تکنیک هایی که به عنوان شبکه های عصبی کانولوشنال (CNN) شناخته می شوند. هدف از این این فصل به خوانندگان خود توضیحی عمیق اما آسان و بدون پیچیدگی ارائه می کند اجزای مختلف معماری شبکه عصبی کانولوشنال فصل 3 فرآیند آموزش و یادگیری شبکه های عمیق را مورد بحث قرار می دهد. هدف در این فصل توضیحی ساده و شهودی در مورد پس انتشار ارائه می شود الگوریتم برای یک شبکه یادگیری عمیق روند آموزش بوده است گام به گام با توضیحات آسان و سرراست توضیح داده شده است. فصل 4 بر معماری های مختلف یادگیری عمیق متمرکز است که مبتنی بر CNN هستند. یک خواننده را برای مسدود کردن نمودارهای این معماری ها معرفی می کند. در مورد چگونگی بحث می کند معماری‌های یادگیری عمیق با توجه به محدودیت‌های قبلی تکامل یافته‌اند شبکه های یادگیری عمیق فصل 5 انواع معماری های یادگیری عمیق بدون نظارت را ارائه می کند. اصول اولیه از معماری ها و الگوریتم های مرتبط که در دسته بدون نظارت قرار می گیرند مشخص شده اند. فصل 6 کاربرد معماری یادگیری عمیق نظارت شده را مورد بحث قرار می دهد مشکل تشخیص چهره مقایسه عملکرد عمیق تحت نظارت آموزش معماری با روش های سنتی تشخیص چهره در این ارائه شده است فصل فصل 7 بر کاربرد شبکه های عصبی کانولوشنال (CNN) تمرکز دارد. برای تشخیص اثر انگشت این فصل به طور گسترده اثر انگشت خودکار را توضیح می دهد شناسایی با جزئیات کامل از معماری CNN و روش های مورد استفاده برای بهینه سازی و افزایش عملکرد علاوه بر این، تجزیه و تحلیل مقایسه ای عمیق روش های یادگیری و یادگیری غیرعمیق برای نشان دادن عملکرد ارائه شده است تفاوت. فصل 8 نحوه اعمال شبکه های عمیق بدون نظارت را برای دست نوشته ها توضیح می دهد مشکل طبقه بندی رقمی این توضیح می دهد که چگونه می توان یک مدل یادگیری عمیق را به دو صورت ساخت مراحل، که در آن آموزش بدون نظارت در مرحله اول انجام می شود و تحت نظارت است تنظیم دقیق در مرحله دوم انجام می شود.
توضیحاتی درمورد کتاب به خارجی
This book discusses the state-of-the-art deep learning models used by researchers recently. Various deep architectures and their components are discussed in detail. Algorithms that are used to train deep architectures with fast convergence rate are illustrated with applications. Various fine-tuning algorithms are discussed for optimizing the deep models. These deep architectures not only are capable of learning complex tasks but can even outperform humans in some dedicated applications. Despite the remarkable advances in this area, training deep architectures with a huge number of hyper-parameters is an intricate and ill-posed optimization problem. Various challenges are outlined at the end of each chapter. Another issue with deep architectures is that learning becomes computationally intensive when large volumes of data are used for training. The book describes a transfer learning approach for faster training of deep models. The use of this approach is demonstrated in fingerprint datasets. The book is organized into eight chapters: Chapter 1 starts with an introduction to machine learning followed by fundamental limitations of traditional machine learning methods. It introduces deep networks and then briefly discusses why to use deep learning and how deep learning works. Chapter 2 of the book is dedicated to one of the most successful deep learning techniques known as convolutional neural networks (CNNs). The purpose of this chapter is to give its readers an in-depth but easy and uncomplicated explanation of various components of convolutional neural network architectures. Chapter 3 discusses the training and learning process of deep networks. The aim of this chapter is to provide a simple and intuitive explanation of the backpropagation algorithm for a deep learning network. The training process has been explained step by step with easy and straightforward explanations. Chapter 4 focuses on various deep learning architectures that are based on CNN. It introduces a reader to block diagrams of these architectures. It discusses how deep learning architectures have evolved while addressing the limitations of previous deep learning networks. Chapter 5 presents various unsupervised deep learning architectures. The basics of architectures and associated algorithms falling under the unsupervised category are outlined. Chapter 6 discusses the application of supervised deep learning architecture for face recognition problem. A comparison of the performance of supervised deep learning architecture with traditional face recognition methods is provided in this chapter. Chapter 7 focuses on the application of convolutional neural networks (CNNs) for fingerprint recognition. This chapter extensively explains automatic fingerprint recognition with complete details of the CNN architecture and methods used to optimize and enhance the performance. In addition, a comparative analysis of deep learning and non-deep learning methods is presented to show the performance difference. Chapter 8 explains how to apply the unsupervised deep networks to handwritten digit classification problem. It explains how to build a deep learning model in two steps, where unsupervised training is performed during the first step and supervised fine-tuning is carried out during the second step.
فهرست مطالب
Front Matter ....Pages i-xiv
Introduction to Deep Learning (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 1-11
Basics of Supervised Deep Learning (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 13-29
Training Supervised Deep Learning Networks (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 31-52
Supervised Deep Learning Architectures (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 53-75
Unsupervised Deep Learning Architectures (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 77-94
Supervised Deep Learning in Face Recognition (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 95-110
Supervised Deep Learning in Fingerprint Recognition (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 111-132
Unsupervised Deep Learning in Character Recognition (M. Arif Wani, Farooq Ahmad Bhat, Saduf Afzal, Asif Iqbal Khan)....Pages 133-149
