Trends in Deep Learning Methodologies: Algorithms, Applications, and Systems
Trends in Deep Learning Methodologies: Algorithms, Applications, and Systems obejmuje podejścia do głębokiego uczenia się, takie jak sieci neuronowe, głębokie sieci przekonań, rekurencyjne sieci neuronowe, konwolucyjne sieci neuronowe, głęboki autoenkoder i głębokie sieci generatywne, które pojawiły się jako potężne modele obliczeniowe. Rozdziały omawiają te modele, które odniosły znaczący sukces w radzeniu sobie z ogromnymi ilościami danych w wielu zastosowaniach, biorąc pod uwagę ich zdolność do wydobywania złożonych ukrytych cech i uczenia się skutecznej reprezentacji w nienadzorowanych ustawieniach.
Rozdziały badają algorytmy oparte na głębokim uczeniu w różnych zastosowaniach, w tym w informatyce biomedycznej i zdrowotnej, wizji komputerowej, przetwarzaniu obrazu i nie tylko. W ostatnich latach opracowano wiele potężnych algorytmów do dopasowywania wzorców w danych i przewidywania przyszłych zdarzeń. Główną zaletą głębokiego uczenia się jest przetwarzanie dużych zbiorów danych w celu lepszej analizy i samodostosowujących się algorytmów do obsługi większej ilości danych.
Metody głębokiego uczenia mogą radzić sobie z wieloma poziomami reprezentacji, w których system uczy się abstrakcyjnych reprezentacji wyższego poziomu surowych danych. Wcześniej powszechnym wymogiem było posiadanie eksperta dziedzinowego w celu opracowania konkretnego modelu dla każdej konkretnej aplikacji, jednak ostatnie postępy w algorytmach uczenia się reprezentacji pozwalają badaczom z różnych dziedzin na automatyczne uczenie się wzorców i reprezentacji danych w celu opracowania konkretnych modeli.
