Computational Methods for Deep Learning: Theoretic, Practice and Applications (Texts in Computer Science)

این کتاب درسی بسیار منحصر به فرد با ادغام مفاهیم یادگیری عمیق، یادگیری ماشین و شبکه های عصبی مصنوعی، محتوا را به تدریج از آسان به پیچیده تر ارائه می دهد و محتوای خود را در مورد انتقال دانش از دیدگاه هوش ماشینی جهت می دهد. این روش از نظریه گرافیکی، مدل‌های ریاضی و پیاده‌سازی الگوریتمی استفاده می‌کند، و همچنین آماده‌سازی مجموعه داده‌ها، برنامه‌نویسی، تجزیه و تحلیل نتایج و ارزیابی‌ها را پوشش می‌دهد.

با پایه‌ای در مورد شبکه‌های عصبی مصنوعی با نورون‌ها و توابع فعال‌سازی شروع می‌شود. ، کار سپس مکانیسم یادگیری عمیق با استفاده از ریاضیات پیشرفته را توضیح می دهد. به طور خاص، بر نحوه استفاده از TensorFlow و جدیدترین جعبه ابزار یادگیری عمیق متلب برای اجرای الگوریتم‌های یادگیری عمیق تأکید می‌کند.

به عنوان یک پیش‌نیاز، خوانندگان باید درک کاملی به‌ویژه از تحلیل ریاضی، جبر خطی، تحلیل عددی داشته باشند. ، بهینه سازی ها، هندسه دیفرانسیل، منیفولد و تئوری اطلاعات و همچنین جبر پایه، تحلیل تابعی و مدل های گرافیکی. این دانش محاسباتی نه تنها به درک موضوع این متن/مرجع، بلکه در مقالات مجلات یادگیری عمیق مرتبط و مقالات کنفرانس کمک می کند.

این کتاب درسی/راهنما برای دانشجویان و مهندسان پژوهشی علوم کامپیوتر طراحی شده است. و همچنین دانشمندان علاقه مند به یادگیری عمیق برای تحقیق و تحلیل نظری. به طور کلی، این کتاب برای آن دسته از محققانی که به هوش ماشینی، تحلیل الگو، پردازش زبان طبیعی و بینایی ماشین علاقه مند هستند نیز مفید است.

Dr. وی چی یان دانشیار دپارتمان علوم کامپیوتر در دانشگاه فناوری اوکلند، نیوزلند است. انتشارات دیگر او عبارتند از عنوان Springer، Cryptography بصری برای پردازش تصویر و امنیت.

Integrating concepts from deep learning, machine learning, and artificial neural networks, this highly unique textbook presents content progressively from easy to more complex, orienting its content about knowledge transfer from the viewpoint of machine intelligence. It adopts the methodology from graphical theory, mathematical models, and algorithmic implementation, as well as covers datasets preparation, programming, results analysis and evaluations.

Beginning with a grounding about artificial neural networks with neurons and the activation functions, the work then explains the mechanism of deep learning using advanced mathematics. In particular, it emphasizes how to use TensorFlow and the latest MATLAB deep-learning toolboxes for implementing deep learning algorithms.

As a prerequisite, readers should have a solid understanding especially of mathematical analysis, linear algebra, numerical analysis, optimizations, differential geometry, manifold, and information theory, as well as basic algebra, functional analysis, and graphical models. This computational knowledge will assist in comprehending the subject matter not only of this text/reference, but also in relevant deep learning journal articles and conference papers.

This textbook/guide is aimed at Computer Science research students and engineers, as well as scientists interested in deep learning for theoretic research and analysis. More generally, this book is also helpful for those researchers who are interested in machine intelligence, pattern analysis, natural language processing, and machine vision.

Dr. Wei Qi Yan is an Associate Professor in the Department of Computer Science at Auckland University of Technology, New Zealand. His other publications include the Springer title, Visual Cryptography for Image Processing and Security.