Deep Learning: Fundamentals, Theory and Applications

هدف از این جلد ویرایش شده ارائه یک نمای کلی جامع از اصول یادگیری عمیق، معرفی معماری ها و الگوریتم های یادگیری پرکاربرد، ارائه آخرین پیشرفت نظری آن، بحث در مورد محبوب ترین پلت فرم ها و داده های یادگیری عمیق است. مجموعه، و توضیح دهید که چگونه بسیاری از روش های یادگیری عمیق پیشرفت های بزرگی را در کاربردهای مختلف متن، تصویر، ویدئو، گفتار و پردازش صوتی به ارمغان آورده است.

یادگیری عمیق (DL) به طور گسترده به عنوان نسل بعدی متدولوژی یادگیری ماشین در نظر گرفته شده است. DL توجه زیادی را به خود جلب می کند و همچنین به موفقیت بزرگی در تشخیص الگو، بینایی کامپیوتری، داده کاوی و کشف دانش به دلیل توانایی زیاد آن در یادگیری ویژگی های انتزاعی سطح بالا از حجم وسیع داده ها دست می یابد. این کتاب جدید نه تنها تلاش می‌کند تا یک نقشه راه کلی یا راهنمایی برای روش‌های یادگیری عمیق فعلی ارائه دهد، بلکه چالش‌ها را نیز ارائه می‌کند و دیدگاه‌های جدیدی را پیش‌بینی می‌کند که ممکن است منجر به پیشرفت‌های بیشتر در این زمینه شود.

این کتاب به عنوان یک مرجع مفید برای دانشجویان ارشد (کارشناسی یا کارشناسی ارشد) در علوم کامپیوتر، آمار، مهندسی برق و همچنین سایر علاقه‌مندان به مطالعه یا بررسی پتانسیل بهره‌برداری از الگوریتم‌های یادگیری عمیق خواهد بود. همچنین برای محققان در زمینه هوش مصنوعی، تشخیص الگو، یادگیری ماشین و حوزه‌های مرتبط، در کنار مهندسین علاقه‌مند به استفاده از مدل‌های یادگیری عمیق در برنامه‌های کاربردی موجود یا جدید، مورد توجه ویژه قرار خواهد گرفت.

The purpose of this edited volume is to provide a comprehensive overview on the fundamentals of deep learning, introduce the widely-used learning architectures and algorithms, present its latest theoretical progress, discuss the most popular deep learning platforms and data sets, and describe how many deep learning methodologies have brought great breakthroughs in various applications of text, image, video, speech and audio processing.

Deep learning (DL) has been widely considered as the next generation of machine learning methodology. DL attracts much attention and also achieves great success in pattern recognition, computer vision, data mining, and knowledge discovery due to its great capability in learning high-level abstract features from vast amount of data. This new book will not only attempt to provide a general roadmap or guidance to the current deep learning methodologies, but also present the challenges and envision new perspectives which may lead to further breakthroughs in this field.

This book will serve as a useful reference for senior (undergraduate or graduate) students in computer science, statistics, electrical engineering, as well as others interested in studying or exploring the potential of exploiting deep learning algorithms. It will also be of special interest to researchers in the area of AI, pattern recognition, machine learning and related areas, alongside engineers interested in applying deep learning models in existing or new practical applications.