دانلود کتاب Variational Methods for Machine Learning with Applications to Deep Networks (به فارسی: روش های متغیر برای یادگیری ماشین با برنامه های کاربردی در شبکه های عمیق) نوشته شده توسط «Lucas Pinheiro Cinelli – Matheus Araújo Marins – Eduardo Antônio Barros da Silva – Sérgio Lima Netto»
اطلاعات کتاب روش های متغیر برای یادگیری ماشین با برنامه های کاربردی در شبکه های عمیق
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Springer
نویسنده: Lucas Pinheiro Cinelli – Matheus Araújo Marins – Eduardo Antônio Barros da Silva – Sérgio Lima Netto
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 179 / 173
حجم فایل: 4.60 مگابایت
کد کتاب: 3030706788 , 9783030706784
توضیحات کتاب روش های متغیر برای یادگیری ماشین با برنامه های کاربردی در شبکه های عمیق
این کتاب نگاهی مستقیم به مفاهیم، الگوریتم‌ها و مزایای یادگیری عمیق بیزی و مدل‌های مولد عمیق ارائه می‌کند. با شروع از رویکرد مبتنی بر مدل به یادگیری ماشین، نویسندگان مدل‌های گرافیکی احتمالی را انگیزه می‌دهند و نشان می‌دهند که چگونه استنتاج بیزی به طور طبیعی خود را به این چارچوب می‌دهد. نویسندگان توضیحات مفصلی از الگوریتم‌های اصلی مدرن در تقریب‌های متغیر برای استنتاج بیزی در شبکه‌های عصبی ارائه می‌کنند. هر الگوریتم از این مجموعه انتخاب شده یک جنبه متمایز از نظریه را توسعه می دهد. این کتاب برگرفته از مدل‌های مولد عمیق شناخته شده، مانند رمزگذار خودکار متغیر و تحولات نظری بعدی است. این کتاب با افشای موضوعات اصلی الگوریتم‌ها همراه با روش‌های مختلف برای کاهش چنین مسائلی، دانش لازم را در مورد مدل‌های تولیدی برای خواننده فراهم می‌کند تا بتواند طیف گسترده‌ای از انواع داده‌ها را مدیریت کند: متوالی یا غیرمستمر، پیوسته یا غیر مستمر، برچسب‌گذاری شده یا نه. . این کتاب مستقل است و به سرعت تمام تئوری های لازم را پوشش می دهد تا خواننده مجبور به جستجوی اطلاعات اضافی در جای دیگر نباشد.
- منبع مختصر و مختصری را ارائه می‌دهد که مفاهیم اساسی الگوریتم‌های یادگیری عمیق بیزی را پوشش می‌دهد. مثال‌ها، جنبه‌های عملی، و شبه کدها؛
- هر فصل شامل مثال‌ها و تمرین‌های عملی است و یک وب‌سایت دارای اسلایدهای سخنرانی، مثال‌های اضافی و سایر مطالب پشتیبانی است.
<p
This book provides a straightforward look at the concepts, algorithms and advantages of Bayesian Deep Learning and Deep Generative Models. Starting from the model-based approach to Machine Learning, the authors motivate Probabilistic Graphical Models and show how Bayesian inference naturally lends itself to this framework. The authors present detailed explanations of the main modern algorithms on variational approximations for Bayesian inference in neural networks. Each algorithm of this selected set develops a distinct aspect of the theory. The book builds from the ground-up well-known deep generative models, such as Variational Autoencoder and subsequent theoretical developments. By also exposing the main issues of the algorithms together with different methods to mitigate such issues, the book supplies the necessary knowledge on generative models for the reader to handle a wide range of data types: sequential or not, continuous or not, labelled or not. The book is self-contained, promptly covering all necessary theory so that the reader does not have to search for additional information elsewhere.
- Offers a concise self-contained resource, covering the basic concepts to the algorithms for Bayesian Deep Learning;
- Presents Statistical Inference concepts, offering a set of elucidative examples, practical aspects, and pseudo-codes;
- Every chapter includes hands-on examples and exercises and a website features lecture slides, additional examples, and other support material.
دانلود کتاب «روش های متغیر برای یادگیری ماشین با برنامه های کاربردی در شبکه های 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.