مشخصات کتاب

Neural Networks and Deep Learning: A Textbook

ویرایش:  
نویسندگان: Charu C. Aggarwal  
سری:  
ISBN (شابک) : 3319944622, 9783319944623 
ناشر: Springer 
سال نشر: 2018 
تعداد صفحات: 512 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

در صورت تبدیل فایل کتاب Neural Networks and Deep Learning: A Textbook 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 و یادگیری عمیق: کتاب درسی 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 و یادگیری عمیق: کتاب درسی

این کتاب هر دو مدل کلاسیک و مدرن در یادگیری عمیق را پوشش می دهد. تمرکز اصلی بر نظریه و الگوریتم های یادگیری عمیق است. تئوری و الگوریتم‌های شبکه‌های عصبی برای درک مفاهیم مهم اهمیت ویژه‌ای دارند، به طوری که می‌توان مفاهیم مهم طراحی معماری‌های عصبی را در کاربردهای مختلف درک کرد. چرا شبکه های عصبی کار می کنند؟ چه زمانی آنها بهتر از مدل های یادگیری ماشینی خارج از قفسه کار می کنند؟ چه زمانی عمق مفید است؟ چرا آموزش شبکه های عصبی اینقدر سخت است؟ چه مشکلاتی وجود دارد؟ این کتاب همچنین غنی از بحث در مورد کاربردهای مختلف است تا به پزشک مزه ای از نحوه طراحی معماری عصبی برای انواع مختلف مشکلات بدهد. برنامه‌های مرتبط با حوزه‌های مختلف مانند سیستم‌های توصیه‌گر، ترجمه ماشینی، شرح تصاویر، طبقه‌بندی تصاویر، بازی‌های مبتنی بر یادگیری تقویتی و تجزیه و تحلیل متن پوشش داده می‌شوند. فصل‌های این کتاب شامل سه دسته است: مبانی شبکه‌های عصبی: بسیاری از مدل‌های یادگیری ماشین سنتی را می‌توان به عنوان موارد خاصی از شبکه‌های عصبی درک کرد. در دو فصل اول بر درک رابطه بین یادگیری ماشین سنتی و شبکه های عصبی تاکید شده است. ماشین‌های بردار پشتیبان، رگرسیون خطی/لجستیک، تجزیه مقدار منفرد، فاکتورسازی ماتریس و سیستم‌های توصیه‌کننده موارد خاصی از شبکه‌های عصبی هستند. این روش ها همراه با روش های اخیر مهندسی ویژگی مانند word2vec مورد مطالعه قرار می گیرند. مبانی شبکه های عصبی: بحث مفصلی در مورد آموزش و تنظیم در فصل های 3 و 4 ارائه شده است. مباحث پیشرفته در شبکه های عصبی: فصل های 7 و 8 در مورد شبکه های عصبی تکراری و شبکه های عصبی کانولوشنال بحث می کنند. چندین موضوع پیشرفته مانند یادگیری تقویتی عمیق، ماشین‌های تورینگ عصبی، نقشه‌های خودسازماندهی کوهونن، و شبکه‌های متخاصم مولد در فصل‌های 9 و 10 معرفی شده‌اند. این کتاب برای دانشجویان فارغ‌التحصیل، محققان و پزشکان نوشته شده است. تمرین‌های متعددی همراه با راهنمای راه‌حل برای کمک به تدریس در کلاس در دسترس است. در صورت امکان، یک نمای کاربردی محور برجسته می شود تا درک درستی از کاربردهای عملی هر دسته از تکنیک ها ارائه شود.

توضیحاتی درمورد کتاب به خارجی

This book covers both classical and modern models in deep learning. The primary focus is on the theory and algorithms of deep learning. The theory and algorithms of neural networks are particularly important for understanding important concepts, so that one can understand the important design concepts of neural architectures in different applications. Why do neural networks work? When do they work better than off-the-shelf machine-learning models? When is depth useful? Why is training neural networks so hard? What are the pitfalls? The book is also rich in discussing different applications in order to give the practitioner a flavor of how neural architectures are designed for different types of problems. Applications associated with many different areas like recommender systems, machine translation, image captioning, image classification, reinforcement-learning based gaming, and text analytics are covered. The chapters of this book span three categories: The basics of neural networks: Many traditional machine learning models can be understood as special cases of neural networks. An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec. Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines. Advanced topics in neural networks: Chapters 7 and 8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10. The book is written for graduate students, researchers, and practitioners. Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques.

فهرست مطالب

Introduction to Neural Networks --
2 Machine Learning with Shallow Neural Networks --
Training Deep Neural Networks --
Teaching Deep Learners to Generalize --
Radical Basis Function Networks --
Restricted Boltzmann Machines --
Recurrent Neural Networks --
Convolutional Neural Networks --
Deep Reinforcement Learning --
Advanced Topics in Deep Learning.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب How Designers Think

دانلود کتاب Compilation, Critical Evaluation and Distribution of Stellar Data: Proceedings of the International Astronomical Union Colloquium No. 35, held at Strasbourg, France, 19–21 August, 1976

دانلود کتاب Interne Kundenorientierung des Controllerbereichs : Messung, Erfolgsauswirkungen, Determinanten

دانلود کتاب Human Histology: A Text and Atlas for Physicians and Scientists

دانلود کتاب Технологическое оборудование мясной промышленности. Машины для перемешивания фарша: Учебное пособие для вузов