کتاب Math for Deep Learning: What You Need to Know to Understand Neural Networks (ریاضیات برای یادگیری عمیق: آنچه برای درک شبکه‌های عصبی نیاز دارید) مفاهیم مورد نیاز یاضیات برای علم یادگیری عمیق (Deep Learning) را بیان می‌کند.
جهت مشاهده جزئیات و دانلود کتاب Math for Deep Learning می‌توانید از لینک زیر استفاده کنید:
https://faghatketab.ir/product/%da%a9%d8%aa%d8%a7%d8%a8-math-for-deep-learning/
ریاضیات برای یادگیری عمیق (Math for Deep Learning) ریاضیات ضروری را در اختیار شما قرار می‌دهد تا مباحث یادگیری عمیق را درک کنید، پیاده‌سازی‌های پیچیده‌تر را بررسی نمایید و از ابزارهای یادگیری عمیق به شکل بهتری استفاده کنید.
این کتاب ریاضیات بنیادی مورد استفاده در یادگیری عمیق را به شما می‌آموزد. شما با استفاده از مثال‌های پایتونی، موضوعات کلیدی مرتبط با یادگیری عمیق در زمینه احتمالات، آمار، جبر خطی، حساب دیفرانسیل و حساب ماتریسی را فرا خواهید گرفت.
همچنین نحوه‌ی پیاده‌سازی جریان داده در یک شبکه عصبی، پس‌انتشار (backpropagation) و نزول گرادیان (gradient descent) را یاد می‌گیرید. علاوه بر این، با استفاده از پایتون با ریاضیات زیربنایی این الگوریتم‌ها کار خواهید کرد و حتی یک شبکه عصبی کاملاً کاربردی خواهید ساخت.
علاوه بر موارد فوق، کتاب Math for Deep Learning به بررسی نزول گرادیان و انواع رایج آن در جامعه‌ی یادگیری عمیق نیز می‌پردازد، از جمله: SGD، Adam، RMSprop و Adagrad/Adadelta.
