مشخصات کتاب

Deep Neural Networks in a Mathematical Framework

ویرایش:  
نویسندگان: Anthony L. Caterini,  Dong Eui Chang  
سری:  
ISBN (شابک) : 9783319753041 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 91 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 724 کیلوبایت 

در صورت تبدیل فایل کتاب Deep Neural Networks in a Mathematical Framework 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 شبکه های عصبی عمیق در یک چارچوب ریاضی 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 شبکه های عصبی عمیق در یک چارچوب ریاضی

این SpringerBrief چگونگی ساخت یک چارچوب ریاضی دقیق سرتاسر برای شبکه‌های عصبی عمیق را توضیح می‌دهد. نویسندگان ابزارهایی را برای نشان دادن و توصیف شبکه‌های عصبی ارائه می‌کنند و نتایج قبلی را در این زمینه در نور طبیعی‌تر نشان می‌دهند. به طور خاص، نویسندگان الگوریتم‌های نزول گرادیان را به روشی یکپارچه برای چندین ساختار شبکه عصبی، از جمله پرسپترون‌های چندلایه، شبکه‌های عصبی کانولوشنال، رمزگذارهای خودکار عمیق و شبکه‌های عصبی مکرر استخراج می‌کنند. علاوه بر این، چارچوب توسعه‌یافته نویسندگان نسبت به نمایش‌های قبلی شبکه‌های عصبی، مختصرتر و از نظر ریاضی بصری‌تر است. این SpringerBrief یک قدم به سمت باز کردن جعبه سیاه Deep Learning است. نویسندگان بر این باورند که این چارچوب به تسریع اکتشافات بیشتر در مورد ویژگی‌های ریاضی شبکه‌های عصبی کمک می‌کند. این SpringerBrief نه تنها برای محققان، متخصصان و دانشجویانی که در زمینه یادگیری عمیق کار و مطالعه می‌کنند، بلکه برای کسانی که خارج از شبکه خنثی هستند نیز قابل دسترسی است. انجمن.

توضیحاتی درمورد کتاب به خارجی

This SpringerBrief describes how to build a rigorous end-to-end mathematical framework for deep neural networks. The authors provide tools to represent and describe neural networks, casting previous results in the field in a more natural light. In particular, the authors derive gradient descent algorithms in a unified way for several neural network structures, including multilayer perceptrons, convolutional neural networks, deep autoencoders and recurrent neural networks. Furthermore, the authors developed framework is both more concise and mathematically intuitive than previous representations of neural networks. This SpringerBrief is one step towards unlocking the black box of Deep Learning. The authors believe that this framework will help catalyze further discoveries regarding the mathematical properties of neural networks.This SpringerBrief is accessible not only to researchers, professionals and students working and studying in the field of deep learning, but also to those outside of the neutral network community.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Sustainable Urban Development: A toolkit for assessment

دانلود کتاب Probability: With Applications and R

دانلود کتاب Manual of INTERNAL FIXATION: Techniques Recommended by the AO-ASIF Group

دانلود کتاب Greek Wit: A Collection of Smart Sayings and Anecdotes Translated from Greek Prose Writers

دانلود کتاب Emberek és gépek – Hogyan tartsuk a kezünkben az irányítást a mesterséges intelligencia korában?