Sieci neuronowe i uczenie głębokie: Podręcznik

Opinie czytelników

Książka jest kompleksowym źródłem akademickim do zrozumienia podstaw głębokiego uczenia się, kładąc nacisk na teorię i algorytmy, z jasnymi wyjaśnieniami i obszernym omówieniem najnowszych osiągnięć w tej dziedzinie. Brakuje w niej jednak praktycznych przykładów programowania i dyskusji na temat zagnieżdżeń.

Dobrze zorganizowana z jasnymi wyjaśnieniami, obejmuje podstawowe koncepcje głębokiego uczenia się i odpowiednią matematykę, zapewnia obszerne aktualizacje, w tym duże modele językowe i nowoczesne architektury, zawiera wiele ćwiczeń wzmacniających koncepcje.

Nie zawiera praktycznych przykładów programowania ani rozwiązań ćwiczeń, brakuje w niej dyskusji na temat zagnieżdżeń i wymaga solidnej wiedzy z zakresu rachunku różniczkowego i algebry liniowej.

(na podstawie 7 opinii czytelników)

Oryginalny tytuł:

Neural Networks and Deep Learning: A Textbook

Zawartość książki:

Ten podręcznik obejmuje zarówno klasyczne, jak i nowoczesne modele głębokiego uczenia się i zawiera przykłady i ćwiczenia we wszystkich rozdziałach. Szczegółowo przedstawiono metody głębokiego uczenia dla różnych domen danych, takich jak tekst, obrazy i wykresy. Rozdziały tej książki obejmują trzy kategorie:

Podstawy sieci neuronowych: Algorytm wstecznej propagacji został omówiony w rozdziale 2.

Wiele tradycyjnych modeli uczenia maszynowego można rozumieć jako specjalne przypadki sieci neuronowych. Rozdział 3 bada powiązania między tradycyjnym uczeniem maszynowym a sieciami neuronowymi. Pokazano, że maszyny wektorów nośnych, regresja liniowa/logistyczna, dekompozycja wartości pojedynczej, faktoryzacja macierzy i systemy rekomendacji są szczególnymi przypadkami sieci neuronowych.

Podstawy sieci neuronowych: Szczegółowe omówienie szkolenia i regularyzacji znajduje się w rozdziałach 4 i 5. Rozdziały 6 i 7 przedstawiają sieci oparte na funkcji podstawy radialnej (RBF) i ograniczone maszyny Boltzmanna.

Zaawansowane tematy w sieciach neuronowych: Rozdziały 8, 9 i 10 omawiają rekurencyjne sieci neuronowe, splotowe sieci neuronowe i grafowe sieci neuronowe. W rozdziałach 11 i 12 przedstawiono kilka zaawansowanych tematów, takich jak głębokie uczenie ze wzmocnieniem, mechanizmy uwagi, sieci transformatorowe, samoorganizujące się mapy Kohonena i generatywne sieci przeciwstawne.

Podręcznik został napisany z myślą o studentach studiów magisterskich i wyższych. Naukowcy i praktycy pracujący w tej pokrewnej dziedzinie również będą chcieli go kupić.

Tam, gdzie to możliwe, podkreślono widok skoncentrowany na zastosowaniach, aby zapewnić zrozumienie praktycznych zastosowań każdej klasy technik.

Drugie wydanie zostało znacznie zreorganizowane i rozszerzone o osobne rozdziały dotyczące wstecznej propagacji i grafowych sieci neuronowych. Wiele rozdziałów zostało znacząco zmienionych w stosunku do pierwszego wydania.

Większy nacisk położono na nowoczesne koncepcje głębokiego uczenia się, takie jak mechanizmy uwagi, transformatory i wstępnie wytrenowane modele językowe.