معرفی و دانلود کتاب شبکه‌های عصبی و یادگیری ژرف

معرفی کتاب شبکه‌های عصبی و یادگیری ژرف

کتاب شبکه‌های عصبی و یادگیری ژرف اثری از چارو سی آگروال است که در راستای ارتقای دانش مخاطبان در زمینه‌ی یادگیری ماشین عرضه شده است. این کتاب در ده فصل کوشش می‌کند تا مباحث پایه و کلیدی در زمینه‌ی یادگیری ژرف را به مخاطبان آموزش دهد. این کتاب را می‌توان یک مقدمه‌ی عالی برای کسانی دانست که در زمینه‌ی شبکه‌های عصبی و یادگیری ژرف در سطح مبتدی قرار دارند و به‌ دنبال ارتقای مهارت‌ها و دانش خود در این حوزه‌ی مطالعاتی و عملی هستند.

درباره‌ی کتاب شبکه‌های عصبی و یادگیری ژرف

یادگیری ژرف به علمی گفته می‌شود که کوشش دارد داده‌های به دست آمده در بستر یادگیری ماشینی را به مدل‌ها و الگوهای خوانش‌پذیر تبدیل کند. یادگیری ژرف یکی از حوزه‌های مطالعاتی پرطرفدار در عصر حاضر است و در باب آن تا کنون کتاب‌ها و مقالات متعددی نوشته شده است. کتاب شبکه‌های عصبی و یادگیری ژرف (Neural Networks and Deep Learning) برای تمام آن کسانی‌ست که نسبت به مباحث مربوطه شناختی ندارند و به دنبال یک منبع معتبر و آموزنده برای درک مطالب هستند. این کتاب که توسط چارو سی آگروال (Charu C. Aggarwal) تألیف شده، کوشش می‌کند تا یک معارفه‌ی تمام و کمال از یادگیری ژرف به مخاطبان ارائه دهد. این کتاب از گستره‌ی مطالب جالب‌توجهی برخوردار است و اطلاعات ارزشمندی را در اختیار مخاطبان قرار می‌دهد. این کتاب با هدف آموزشی نوشته شده و به پرسش‌های مخاطبان مبتدی و حرفه‌ای پاسخ می‌دهد.

در فصل چهارم کتاب شبکه‌های عصبی و یادگیری ژرف، در مورد یادگیری در راستای تعمیم بهتر می‌خوانید. چارو سی آگروال ابتدا به شرح خود مسئله‌ی تعمیم دادن می‌پردازد و معارفه‌ای خواندنی از آن به مخاطبان ارائه می‌دهد. سپس، نویسنده به بررسی موازنه بایاس و واریانس می‌پردازد و کارکردهایی که در بخش یادگیری عمیق از خود نشان می‌دهند را بررسی می‌کند. در این بخش، نویسنده به تحلیل بهره گرفتن از روش‌های تلفیقی نیز می‌پردازد و نمایه‌ای کلی از این مبحث برای مخاطبان ترسیم می‌کند. در فصل چهارم، در مورد خودرمزگذارها و تنظیم در کاربردهای بیناظر نیز خواهید خواند. گفتنی‌ست که همچون دیگر فصل‌ها، در پایان فصل چهارم نیز بخشی تحت‌عنوان «تمرین» برای یادگیری هرچه بهتر طراحی شده است. این تمرینات برمحوریات مطالبی که در همان فصل به مخاطبان ارائه شده، تدوین گشته‌اند.

در فصل هفتم کتاب شبکه‌های عصبی و یادگیری ژرف اثر چارو سی آگروال در مورد شبکه‌های عصبی برگشتی می‌خوانید. در این بخش، مؤلف شرحی جزئی از این مبحث ارائه می‌دهد و سپس به معماری و چالش‌های شبکه‌های عصبی برگشتی می‌پردازد. از دیگر مباحث محوری در فصل هفتم می‌توان به شبکه‌های حالت اکو، واحدهای برگشتی گیت‌دار و تمرینات اجرایی مربوط به آن‌ها اشاره کرد. همچنین اگر می‌خواهید در مورد شبکه‌های عصبی کانولوشن بدانید، این کتاب شرحی مبسوط و قابل اعتنا از این مبحث به مخاطبان ارائه می‌دهد. به‌طور کلی باید گفت که اگر به دنبال کتابی هستید که با نثری قابل فهم و شفاف به معرفی و بررسی مباحث مورد بحث در حوزه‌ی شبکه‌های عصبی و یادگیری ژرف بپردازد، این اثر را مطالعه کنید. این کتاب توسط مهدی اسماعیلی و فائزه اکبری ترجمه شده و انتشارات آتی نگر آن را منتشر کرده است.

نکوداشت‌های کتاب شبکه‌های عصبی و یادگیری ژرف

• این کتاب به لطف رویکرد سیستماتیکی که در ارائه‌ی مطالب اتخاذ کرده و همچنین با شرحی که با استفاده از کتاب‌ها، نرم‌افزارها و تمرینات اجرایی به‌عنوان منابع ارجاع ارائه‌ داده، می‌تواند برای اکثر مخاطبانی که در حوزه‌های تخصصی در میدان‌های گوناگون فعالیت می‌کنند، مفید واقع شود. (ایرینا یوانا موهوریانو)

کتاب شبکه‌های عصبی و یادگیری ژرف برای چه کسانی مناسب است؟

این اثر به کسانی که در حوزه‌ی یادگیری ماشین و یادگیری عمیق فعالیت می‌کنند توصیه می‌شود.

در بخشی از کتاب شبکه‌های عصبی و یادگیری ژرف می‌خوانیم

تقریباً تمامی مثال‌های کاربردی بخش‌های قبلی بر روی مجموعه داده‌های متنی متمرکز شده‌اند. اگرچه داده‌های متنی یکی از مشتری‌های اصلی شبکه‌های برگشتی محسوب می‌شوند؛ اما کاربردهای عملی دیگری را نیز میتوان پیدا کرد که استفاده از این شبکه‌ها در این کاربردها، با نتایج مطلوبی نیز همراه بوده است. در ادامه به برخی از آن‌ها اشاره شده است.

پیشبینی در سری‌های زمانی: اغلب شبکه‌های عصبی برگشتی یکی از انتخاب‌های رایج برای حل مسئله پیشبینی در سری‌های زمانی هستند. در اینجا اعداد، مجموعه داده‌های ورودی را تشکیل می‌دهند و در لایه خروجی نیز بستگی به کاربرد از تابع فعالسازی خطی یا حتی تابع سافتم کس هنگام شناسایی رویداد خاص استفاده می‌شود.

فهرست مطالب کتاب

فصل اول: مقدمه‌ای بر شبکه‌های عصبی
فصل دوم: یادگیری ماشین و شبکه‌های عصبی
فصل سوم: یادگیری شبکه‌های عصبی ژرف
فصل چهارم: یادگیری در راستای تعمیم بهتر
فصل پنجم: شبکه‌های تابع پایه شعاعی
فصل ششم: ماشین‌های بولتزمن محدود
فصل هفتم: شبکه‌های عصبی برگشتی
فصل هشتم: شبکه‌های عصبی کانولوشن
فصل نهم: یادگیری تقویتی ژرف
فصل دهم: عناوین پیشرفته در یادگیری ژرف
ضمیمه الف: شبکه‌های عصبی مصنوعی در عمل
ضمیمه ب: منابع