کتاب Math and Architectures of Deep Learning (ریاضیات و معماری یادگیری عمیق) مفاهیم ریاضی مرتبط با علم یادگیری عمیق را شرح خواهد داد.
جهت مشاهده جزئیات و دانلود کتاب Math and Architectures of Deep Learning می‌توانید از لینک زیر استفاده کنید:
faghatketab.ir/product/math-and-architectures-of-deep-learning/
پرده از جعبه سیاه یادگیری عمیق بردارید. این راهنمای جامع و دقیق مفاهیم ریاضی و معماری پشت مدل‌های یادگیری عمیق را آشکار می‌کند، بنابراین می‌توانید آن‌ها را به طور موثرتر سفارشی‌سازی، نگهداری و توضیح دهید.
در کتاب ریاضی و معماری‌های یادگیری عمیق، خواهید یافت:
الگوهای ریاضی پشت مدل‌های یادگیری عمیق معمولاً به صورت مقالات آکادمیک سخت‌خوان شروع می‌شوند که مهندسان را در مورد نحوه عملکرد واقعی این مدل‌ها در تاریکی می‌گذارند.
کتاب ریاضی و معماری‌های یادگیری عمیق فاصله بین نظریه و عمل را پر می‌کند و ریاضیات یادگیری عمیق را در کنار پیاده‌سازی‌های عملی در پایتون و پایتورچ قرار می‌دهد.
کتاب Math and Architectures of Deep Learning که توسط کریشنندو چودوری، متخصص یادگیری عمیق نوشته شده است، شما را به درون «جعبه سیاه» می‌برد تا درک کنید که کد شما چگونه کار می‌کند و یاد بگیرید که تحقیقات پیشرفته‌ای را که می‌توانید به کاربردهای عملی تبدیل کنید، درک کنید.
درباره فناوری
کشف کنید که در داخل جعبه سیاه چه اتفاقی می‌افتد! برای کار با یادگیری عمیق باید مدل مناسب را انتخاب کنید، آن را آموزش دهید، داده‌های خود را پیش‌پردازش کنید، عملکرد و دقت را ارزیابی کنید و با عدم قطعیت و تغییرپذیری در خروجی‌های یک راه‌حل مستقر شده مقابله کنید.
کتاب Math and Architectures of Deep Learning شما را به طور سیستماتیک از طریق مفاهیم ریاضی اصلی که به عنوان یک دانشمند داده نیاز دارید، راهنمایی می‌کند: حساب برداری، جبر خطی و استنتاج بیزی، همه از دیدگاه یادگیری عمیق.
درباره کتاب Math and Architectures of Deep Learning
کتاب ریاضی و معماری‌های یادگیری عمیق، اصول ریاضی، نظری و برنامه‌نویسی مدل‌های یادگیری عمیق را در کنار هم آموزش می‌دهد و سپس آن‌ها را با کد پایتون با حاشیه‌نویسی خوب به عمل می‌گذارد.
شما از جبر، حساب دیفرانسیل و آمار تا معماری‌های DL پیشرفته گرفته شده از آخرین تحقیقات پیشرفت خواهید کرد.
چه مطالبی در کتاب Math and Architectures of Deep Learning است؟
درباره خواننده
خوانندگان باید با پایتون و اصول جبر و حساب دیفرانسیل آشنا باشند.
درباره نویسنده کتاب Math and Architectures of Deep Learning
کریشنندو چودوری، هم‌بنیانگذار و مدیر ارشد فناوری استارتاپ هوش مصنوعی Drishti Technologies است. او قبلاً یک دهه در گوگل و ادوبی گذرانده است.
فهرست مطالب کتاب Math and Architectures of Deep Learning
1 مروری بر یادگیری ماشین و یادگیری عمیق
2 بردارها، ماتریس‌ها و تانسورها در یادگیری ماشین
3 طبقه‌بندها و حساب برداری
4 ابزارهای جبر خطی در یادگیری ماشین
5 توزیع‌های احتمالی در یادگیری ماشین
6 ابزارهای بیزی برای یادگیری ماشین
7 تقریب تابع: نحوه مدل‌سازی جهان توسط شبکه‌های عصبی
8 آموزش شبکه‌های عصبی: انتشار رو به جلو و انتشار عقب
9 تلفات، بهینه‌سازی و تنظیم
10 کانولوشن در شبکه‌های عصبی
11 شبکه‌های عصبی برای طبقه‌بندی تصویر و تشخیص شیء
12 منیفولدها، همومورفیسم و شبکه‌های عصبی
13 تخمین کامل پارامتر مدل بیزی
14 فضای نهفته و مدل‌سازی تولیدکننده، خود رمزگذارها و خود رمزگذارهای تغییری
ضمیمه A
