دانلود کتاب Advances in Deep Learning (به فارسی: پیشرفت در یادگیری عمیق) نوشته شده توسط «M. Arif Wani – Farooq Ahmad Bhat – Saduf Afzal – Asif Iqbal Khan»
اطلاعات کتاب پیشرفت در یادگیری عمیق
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Springer
نویسنده: M. Arif Wani – Farooq Ahmad Bhat – Saduf Afzal – Asif Iqbal Khan
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 159
حجم فایل: 6.55 مگابایت
کد کتاب: 9811367949 , 9789811367946
توضیحات کتاب پیشرفت در یادگیری عمیق
این کتاب در مورد مدل های پیشرفته یادگیری عمیق مورد استفاده محققان
بحث می کند
به تازگی. معماری های عمیق مختلف و اجزای آنها به تفصیل مورد بحث قرار گرفته است.
الگوریتم هایی که برای آموزش معماری های عمیق با نرخ همگرایی سریع استفاده می شوند
هستند
با برنامه های کاربردی نشان داده شده است. الگوریتم‌های تنظیم دقیق مختلفی برای بهینه‌سازی مورد بحث قرار گرفته‌اند
مدل های عمیق این معماری های عمیق نه تنها قادر به یادگیری هستند
وظایف پیچیده ای را انجام می دهند، اما حتی می توانند در برخی از برنامه های اختصاصی از انسان ها بهتر عمل کنند.
با وجود پیشرفت های چشمگیر در این زمینه، آموزش معماری های عمیق با
تعداد زیاد فراپارامترها یک مسئله بهینه سازی پیچیده و نامناسب است.
چالش های مختلف در پایان هر فصل بیان شده است. مشکل دیگر با
معماری عمیق این است که یادگیری زمانی که بزرگ باشد از نظر محاسباتی فشرده می شود
حجم داده برای آموزش استفاده می شود. این کتاب یک یادگیری انتقالی را توصیف می کند
رویکردی برای آموزش سریعتر مدلهای عمیق استفاده از این رویکرد نشان داده شده است
در مجموعه داده های اثر انگشت.
این کتاب در هشت فصل تنظیم شده است:
فصل 1 با مقدمه ای بر یادگیری ماشین شروع می شود و سپس با
اساسی شروع می شود
محدودیت های روش های یادگیری ماشین سنتی عمق
را معرفی می کند
شبکه ها و سپس به طور مختصر درباره چرایی استفاده از یادگیری عمیق و میزان عمق استفاده می کند
یادگیری کار می کند.
فصل 2 کتاب به یکی از موفق ترین یادگیری های عمیق اختصاص دارد
تکنیک هایی که به عنوان شبکه های عصبی کانولوشنال (CNN) شناخته می شوند. هدف از این
فصل به خوانندگانش توضیحی عمیق اما آسان و بدون پیچیدگی در مورد
می دهد
اجزای مختلف معماری شبکه های عصبی کانولوشنال.
فصل 3 فرآیند آموزش و یادگیری شبکه های عمیق را مورد بحث قرار می دهد. هدف
در این فصل توضیحی ساده و شهودی در مورد پس انتشار
ارائه شده است
الگوریتم برای یک شبکه یادگیری عمیق روند آموزش
بوده است
گام به گام با توضیحات آسان و سرراست توضیح داده شده است.
فصل 4 بر معماری های مختلف یادگیری عمیق متمرکز است که بر اساس CNN هستند.
یک خواننده را برای مسدود کردن نمودارهای این معماری ها معرفی می کند. در مورد چگونگی
بحث می کند
معماری های یادگیری عمیق در حالی که به محدودیت های قبلی
پرداخته اند، تکامل یافته اند
شبکه های یادگیری عمیق.
فصل 5 انواع معماری های یادگیری عمیق بدون نظارت را ارائه می کند. مبانی
از معماری ها و الگوریتم های مرتبط که در دسته بدون نظارت قرار می گیرند
مشخص شده اند.
فصل 6 کاربرد معماری یادگیری عمیق نظارت شده برای
را مورد بحث قرار می دهد
مشکل تشخیص چهره مقایسه عملکرد عمیق تحت نظارت
آموزش معماری با روش های سنتی تشخیص چهره در این
ارائه شده است
فصل.
فصل 7 بر کاربرد شبکه های عصبی کانولوشنال (CNN) تمرکز دارد
برای تشخیص اثر انگشت این فصل به طور گسترده اثر انگشت خودکار را توضیح می‌دهد
شناسایی با جزئیات کامل معماری CNN و روش های استفاده شده برای
بهینه سازی و افزایش عملکرد علاوه بر این، تجزیه و تحلیل مقایسه ای عمیق
روش های یادگیری و یادگیری غیرعمیق برای نشان دادن عملکرد ارائه شده است
تفاوت.
فصل 8 نحوه اعمال شبکه های عمیق بدون نظارت را برای دست نویس توضیح می دهد
مشکل طبقه بندی رقمی توضیح می دهد که چگونه می توان یک مدل یادگیری عمیق را به دو صورت ساخت
مراحل، که در آن آموزش بدون نظارت در مرحله اول و تحت نظارت انجام می شود
تنظیم دقیق در مرحله دوم انجام می شود.
recently. Various deep architectures and their components are discussed in detail.
Algorithms that are used to train deep architectures with fast convergence rate are
illustrated with applications. Various fine-tuning algorithms are discussed for optimizing
the deep models. These deep architectures not only are capable of learning
complex tasks but can even outperform humans in some dedicated applications.
Despite the remarkable advances in this area, training deep architectures with a
huge number of hyper-parameters is an intricate and ill-posed optimization problem.
Various challenges are outlined at the end of each chapter. Another issue with
deep architectures is that learning becomes computationally intensive when large
volumes of data are used for training. The book describes a transfer learning
approach for faster training of deep models. The use of this approach is demonstrated
in fingerprint datasets.
The book is organized into eight chapters:
Chapter 1 starts with an introduction to machine learning followed by fundamental
limitations of traditional machine learning methods. It introduces deep
networks and then briefly discusses why to use deep learning and how deep
learning works.
Chapter 2 of the book is dedicated to one of the most successful deep learning
techniques known as convolutional neural networks (CNNs). The purpose of this
chapter is to give its readers an in-depth but easy and uncomplicated explanation of
various components of convolutional neural network architectures.
Chapter 3 discusses the training and learning process of deep networks. The aim
of this chapter is to provide a simple and intuitive explanation of the backpropagation
algorithm for a deep learning network. The training process has been
explained step by step with easy and straightforward explanations.
Chapter 4 focuses on various deep learning architectures that are based on CNN.
It introduces a reader to block diagrams of these architectures. It discusses how
deep learning architectures have evolved while addressing the limitations of previous
deep learning networks.
Chapter 5 presents various unsupervised deep learning architectures. The basics
of architectures and associated algorithms falling under the unsupervised category
are outlined.
Chapter 6 discusses the application of supervised deep learning architecture for
face recognition problem. A comparison of the performance of supervised deep
learning architecture with traditional face recognition methods is provided in this
chapter.
Chapter 7 focuses on the application of convolutional neural networks (CNNs)
for fingerprint recognition. This chapter extensively explains automatic fingerprint
recognition with complete details of the CNN architecture and methods used to
optimize and enhance the performance. In addition, a comparative analysis of deep
learning and non-deep learning methods is presented to show the performance
difference.
Chapter 8 explains how to apply the unsupervised deep networks to handwritten
digit classification problem. It explains how to build a deep learning model in two
steps, where unsupervised training is performed during the first step and supervised
fine-tuning is carried out during the second step.
دانلود کتاب «پیشرفت در یادگیری عمیق»
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.