کتاب Fundamentals of Deep Learning یا مبانی یادگیری عمیق، از به روزترین منابع یادگیری عمیق است که نسخه دوم آن در سال 2022 به چاپ رسیده است. این کتاب در 13 فصل به آموزش مقدمات یادگیری عمیق از جمله الگوریتمها و مبانی اولیه تا نکات پیشرفته و عملی آن در پایتون خواهد پرداخت.
در ادامه مقدمهای از کتاب Fundamentals of Deep Learning را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Fundamentals of Deep Learning:
با تقویت مجدد شبکههای عصبی در دهه 2000، یادگیری عمیق به یک حوزه تحقیقاتی بسیار فعال تبدیل شده است که راه را برای یادگیری ماشینی مدرن هموار میکند. این کتاب از توضیح و مثالهایی برای کمک به درک مفاهیم اصلی در این زمینه پیچیده استفاده میکند. شرکتهای بزرگی مانند گوگل، مایکروسافت و فیسبوک به این موضوع توجه کردهاند و بهطور فعال در حال رشد تیمهای یادگیری عمیق داخلی هستند.
برای بقیه ما، یادگیری عمیق هنوز یک موضوع بسیار پیچیده و دشوار است. مقالات تحقیقاتی تا لبه با اصطلاحات تخصصی پر شدهاند و آموزشهای پراکنده آنلاین کمک چندانی به ایجاد شهود قوی در مورد چرایی و چگونگی برخورد تمرینکنندگان با یادگیری عمیق با مشکلات نمیکنند. هدف ما پر کردن این شکاف است.
بیشتر بخوانید: کتاب Natural Language Processing Projects
در ویرایش دوم کتاب Fundamentals of Deep Learning، ما بخشهای پسزمینه دقیقتری را در ریاضیات با هدف تجهیز بهتر شما برای مطالب موجود در بقیه کتاب ارائه میکنیم. علاوه بر این، ما فصلهایی را در تجزیه و تحلیل توالی، بینایی کامپیوتر و یادگیری تقویتی با بررسی عمیق آخرین پیشرفتها در این زمینهها بهروزرسانی کردهایم. و در نهایت، فصلهای جدیدی در زمینههای مدلسازی تولیدی و تفسیرپذیری اضافه کردهایم تا دید وسیعتری از حوزه یادگیری عمیق در اختیار شما قرار دهیم. امیدواریم این بهروزرسانیها به شما انگیزه دهند که یادگیری عمیق را به تنهایی تمرین کنید و آموختههای خود را برای حل مشکلات معنادار در دنیای واقعی به کار ببرید.
پیشنیازها و اهداف
هدف این کتاب مخاطبانی است که درک عملیاتی اولیه از حساب دیفرانسیل و انتگرال و برنامهنویسی پایتون دارند. در این آخرین نسخه، ما فصول زمینه ریاضی گستردهای را، به ویژه در جبر خطی و احتمال، ارائه میکنیم تا شما را برای مطالب پیش رو آماده کنیم.
امیدواریم تا پایان کتاب، شهودی برای نحوه برخورد با مسائل با استفاده از یادگیری عمیق، زمینه تاریخی رویکردهای یادگیری عمیق مدرن و آشنایی با پیادهسازی الگوریتمهای یادگیری عمیق با استفاده از کتابخانه منبع باز PyTorch داشته باشید.
کتاب Fundamentals of Deep Learning چگونه تنظیم شده است؟
فصلهای اول این کتاب به توسعه بلوغ ریاضی از طریق بررسی جامع مباحث جبر خطی و احتمال اختصاص دارد که عمیقاً به زمینه یادگیری عمیق تخصیص داده شده است. در چندین فصل بعدی، ساختار شبکههای عصبی پیشخور، نحوه پیادهسازی آنها در کد، و نحوه آموزش و ارزیابی آنها بر روی مجموعه دادههای دنیای واقعی بحث میشود.
بقیه کتاب به کاربردهای خاص یادگیری عمیق و درک شهود پشت تکنیکهای یادگیری تخصصی و معماریهای شبکه عصبی توسعهیافته برای این برنامهها اختصاص دارد. اگرچه ما تحقیقات پیشرفته را در این بخشهای اخیر پوشش میدهیم، امیدواریم بتوانیم تجزیهوتحلیلی از این تکنیکها را ارائه دهیم که از اصول اولیه مشتق شده و قابل هضم است.
سرفصلهای کتاب Fundamentals of Deep Learning:
- Chapter 1. Fundamentals of Linear Algebra for Deep Learning
- Chapter 2. Fundamentals of Probability
- Chapter 3. The Neural Network
- Chapter 4. Training Feed-Forward Neural Networks
- Chapter 5. Implementing Neural Networks in PyTorch
- Chapter 6. Beyond Gradient Descent
- Chapter 7. Convolutional Neural Networks
- Chapter 8. Embedding and Representation Learning
- Chapter 9. Models for Sequence Analysis
- Chapter 10. Generative Models
- Chapter 11. Methods in Interpretability
- Chapter 12. Memory Augmented Neural Networks
- Chapter 13. Deep Reinforcement Learning
- Index
- About the Authors
فایل کتاب Fundamentals of Deep Learning را میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.