شبکه های عصبی و یادگیری ژرف

تمرکز کتاب حاضر روی موضوع شبکه‌های عصبی و یادگیری ژرف است و مطالب آن در ده فصل گردآوری و تهیه شده است. در فصل اول با مفاهیم پایه در شبکه‌های عصبی آشنا می‌شویم. شبیه‌سازی مدل‌های متعدد یادگیری ماشین با کمک شبکه‌های عصبی در فصل دوم آمده است. اگر چه در دو فصل اول کتاب مروری اِجمالی روی روش‌های آموزش شبکه‌های عصبی دیده می‌شود، اما جزییات بیشتر آن و همچنین چالش‌های آموزش شبکه‌های عصبی در فصل‌های سوم و چهارم شرح داده شده است. شبکه‌های تابع پایه شعاعی و ماشین‌های بولتزمن محدود به ترتیب در فصل‌های پنجم و ششم بحث شده‌اند. شاید به جرأت بتوان گفت که شبکه‌های عصبی، موفقیت‌های اخیر خود را مرهون دو معماری برگشتی و کانولوشن است؛ معماری‌هایی که قدرت خود را در کار با متون، صوت و تصویر نشان داده‌اند. شبکه‌های عصبی برگشتی و شبکه‌های عصبی کانولوشن موضوعات فصل‌های هفتم و هشتم کتاب را تشکیل می‌دهند. فصل نهم به نقش یادگیری ژرف در یادگیری تقویتی تخصیص داده شده است. در فصل آخر نیز به صورت اِجمالی به سراغ موضوعات پیشرفته‌ای نظیر استفاده از مؤلفه توجه، سازوکارهای تورینگ عصبی و شبکه‌های تخاصمی مولد رفته‌ایم.

تمرکز کتاب حاضر روی موضوع شبکه‌های عصبی و یادگیری ژرف است و مطالب آن در ده فصل گردآوری و تهیه شده است. در فصل اول با مفاهیم پایه در شبکه‌های عصبی آشنا می‌شویم. شبیه‌سازی مدل‌های متعدد یادگیری ماشین با کمک شبکه‌های عصبی در فصل دوم آمده است. اگر چه در دو فصل اول کتاب مروری اِجمالی روی روش‌های آموزش شبکه‌های عصبی دیده می‌شود، اما جزییات بیشتر آن و همچنین چالش‌های آموزش شبکه‌های عصبی در فصل‌های سوم و چهارم شرح داده شده است. شبکه‌های تابع پایه شعاعی و ماشین‌های بولتزمن محدود به ترتیب در فصل‌های پنجم و ششم بحث شده‌اند. شاید به جرأت بتوان گفت که شبکه‌های عصبی، موفقیت‌های اخیر خود را مرهون دو معماری برگشتی و کانولوشن است؛ معماری‌هایی که قدرت خود را در کار با متون، صوت و تصویر نشان داده‌اند. شبکه‌های عصبی برگشتی و شبکه‌های عصبی کانولوشن موضوعات فصل‌های هفتم و هشتم کتاب را تشکیل می‌دهند. فصل نهم به نقش یادگیری ژرف در یادگیری تقویتی تخصیص داده شده است. در فصل آخر نیز به صورت اِجمالی به سراغ موضوعات پیشرفته‌ای نظیر استفاده از مؤلفه توجه، سازوکارهای تورینگ عصبی و شبکه‌های تخاصمی مولد رفته‌ایم.