دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence
دانلود کتاب مقدمه ای بر یادگیری عمیق. از حساب منطقی تا هوش مصنوعی
مشخصات کتاب
Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence
ویرایش:
نویسندگان: Sandro Skansi
سری:
ISBN (شابک) : 9783319730042
ناشر: Springer
سال نشر: 2018
تعداد صفحات: 193
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 44,000
در صورت تبدیل فایل کتاب Introduction to Deep Learning. From Logical Calculus to Artificial Intelligence 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 مقدمه ای بر یادگیری عمیق. از حساب منطقی تا هوش مصنوعی 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 مقدمه ای بر یادگیری عمیق. از حساب منطقی تا هوش مصنوعی
این کتاب درسی اولین مقدمه مختصر، در دسترس و جذابی را برای یادگیری عمیق ارائه می‌کند و طیف گسترده‌ای از مدل‌های ارتباط‌گرا را ارائه می‌کند که نشان‌دهنده وضعیت فعلی هنر است. این متن محبوب ترین الگوریتم ها و معماری ها را به سبکی ساده و شهودی بررسی می کند و مشتقات ریاضی را به صورت گام به گام توضیح می دهد. پوشش محتوا شامل شبکه‌های کانولوشن، LSTM، Word2vec، RBM، DBN، ماشین‌های تورینگ عصبی، شبکه‌های حافظه و رمزگذارهای خودکار است. نمونه‌های متعددی از کد پایتون در سراسر کتاب ارائه شده است، و کد نیز به طور جداگانه در یک وبسایت همراه ارائه شده است. موضوعات و ویژگی ها: اصول یادگیری ماشینی و پیش نیازهای ریاضی و محاسباتی برای یادگیری عمیق را معرفی می کند. شبکه‌های عصبی پیش‌خور را مورد بحث قرار می‌دهد و تغییراتی را که می‌تواند برای هر شبکه عصبی اعمال شود، بررسی می‌کند. شبکه‌های عصبی کانولوشنال و اتصالات مکرر به یک شبکه عصبی پیش‌خور را بررسی می‌کند. مفهوم بازنمایی های توزیع شده، مفهوم رمزگذار خودکار، و ایده های پشت پردازش زبان با یادگیری عمیق را توصیف می کند. تاریخچه مختصری از هوش مصنوعی و شبکه‌های عصبی را ارائه می‌کند و مشکلات تحقیقات باز جالب در یادگیری عمیق و ارتباط‌گرایی را مرور می‌کند. این آغازگر به وضوح نوشته شده و پر جنب و جوش در یادگیری عمیق، خواندن ضروری برای دانشجویان کارشناسی ارشد و پیشرفته در رشته های علوم کامپیوتر، علوم شناختی و ریاضیات، و همچنین زمینه هایی مانند زبان شناسی، منطق، فلسفه و روانشناسی است.
توضیحاتی درمورد کتاب به خارجی
This textbook presents a concise, accessible and engaging first introduction to deep learning, offering a wide range of connectionist models which represent the current state-of-the-art. The text explores the most popular algorithms and architectures in a simple and intuitive style, explaining the mathematical derivations in a step-by-step manner. The content coverage includes convolutional networks, LSTMs, Word2vec, RBMs, DBNs, neural Turing machines, memory networks and autoencoders. Numerous examples in working Python code are provided throughout the book, and the code is also supplied separately at an accompanying website. Topics and features: introduces the fundamentals of machine learning, and the mathematical and computational prerequisites for deep learning; discusses feed-forward neural networks, and explores the modifications to these which can be applied to any neural network; examines convolutional neural networks, and the recurrent connections to a feed-forward neural network; describes the notion of distributed representations, the concept of the autoencoder, and the ideas behind language processing with deep learning; presents a brief history of artificial intelligence and neural networks, and reviews interesting open research problems in deep learning and connectionism. This clearly written and lively primer on deep learning is essential reading for graduate and advanced undergraduate students of computer science, cognitive science and mathematics, as well as fields such as linguistics, logic, philosophy, and psychology.
فهرست مطالب
Front Matter ....Pages i-xiii
From Logic to Cognitive Science (Sandro Skansi)....Pages 1-16
Mathematical and Computational Prerequisites (Sandro Skansi)....Pages 17-49
Machine Learning Basics (Sandro Skansi)....Pages 51-77
Feedforward Neural Networks (Sandro Skansi)....Pages 79-105
Modifications and Extensions to a Feed-Forward Neural Network (Sandro Skansi)....Pages 107-120
Convolutional Neural Networks (Sandro Skansi)....Pages 121-133
Recurrent Neural Networks (Sandro Skansi)....Pages 135-152
Autoencoders (Sandro Skansi)....Pages 153-163
Neural Language Models (Sandro Skansi)....Pages 165-173
An Overview of Different Neural Network Architectures (Sandro Skansi)....Pages 175-183
Conclusion (Sandro Skansi)....Pages 185-187
Back Matter ....Pages 189-191
