دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Pierre Baldi
سری:
ISBN (شابک) : 1108845355, 9781108845359
ناشر: Cambridge University Press
سال نشر: 2021
تعداد صفحات: 387
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
در صورت تبدیل فایل کتاب Deep Learning in Science 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 یادگیری عمیق در علم 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.
این اولین درمان دقیق و مستقل از نظریه یادگیری عمیق است. با شروع با مبانی تئوری و ایجاد آن، خواندن این مطلب برای هر دانشمند، مدرس و دانشآموزی که علاقهمند به هوش مصنوعی و یادگیری عمیق است ضروری است. راهنمایی در مورد چگونگی تفکر در مورد سؤالات علمی ارائه می دهد و خوانندگان را از طریق تاریخچه این رشته و ارتباطات اساسی آن با علوم اعصاب راهنمایی می کند. نویسنده کاربردهای بسیاری را برای مسائل زیبا در علوم طبیعی، در فیزیک، شیمی و زیست پزشکی مورد بحث قرار می دهد. به عنوان مثال می توان به جستجوی ذرات عجیب و غریب و ماده تاریک در فیزیک تجربی، پیش بینی خواص مولکولی و نتایج واکنش در شیمی، و پیش بینی ساختارهای پروتئینی و تجزیه و تحلیل تشخیصی تصاویر زیست پزشکی در علوم طبیعی اشاره کرد. متن با مجموعه ای کامل از تمرینات در سطوح دشواری مختلف همراه است و تفکر خارج از چارچوب را تشویق می کند.
This is the first rigorous, self-contained treatment of the theory of deep learning. Starting with the foundations of the theory and building it up, this is essential reading for any scientists, instructors, and students interested in artificial intelligence and deep learning. It provides guidance on how to think about scientific questions, and leads readers through the history of the field and its fundamental connections to neuroscience. The author discusses many applications to beautiful problems in the natural sciences, in physics, chemistry, and biomedicine. Examples include the search for exotic particles and dark matter in experimental physics, the prediction of molecular properties and reaction outcomes in chemistry, and the prediction of protein structures and the diagnostic analysis of biomedical images in the natural sciences. The text is accompanied by a full set of exercises at different difficulty levels and encourages out-of-the-box thinking.
Contents Preface 1 Introduction 2 Basic Concepts 3 Shallow Networks and Shallow Learning 4 Two-Layer Networks and Universal Approximation 5 Autoencoders 6 Deep Networks and Backpropagation 7 The Local Learning Principle 8 The Deep Learning Channel 9 Recurrent Networks 10 Recursive Networks 11 Applications in Physics 12 Applications in Chemistry 13 Applications in Biology and Medicine 14 Conclusion Appendix A Reinforcement Learning and Deep Reinforcement Learning Appendix B Hints and Remarks for Selected Exercises References Index