مجله علمی تفریحی بیبیس
0

دانلود کتاب یادگیری عمیق متلب – با یادگیری ماشین، شبکه های عصبی و هوش مصنوعی

بازدید 987
  • عنوان کتاب: MATLAB Deep Learning / With Machine Learning, Neural Networks and Artificial Intelligence
  • نویسنده: Phil Kim
  • حوزه: یادگیری ماشین
  • سال انتشار: 2017
  • تعداد صفحه: 162
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 3.64 مگابایت

این کتاب از شش فصل تشکیل شده است که می توان آن ها را در سه موضوع دسته بندی کرد. اولین موضوع یادگیری ماشینی است و در فصل 1 اتفاق می افتد. یادگیری عمیق از یادگیری ماشین نشات می گیرد. این بدان معناست که اگر می‌خواهید ماهیت یادگیری عمیق را درک کنید، باید فلسفه پشت یادگیری ماشین را تا حدودی بدانید. فصل 1 با رابطه بین یادگیری ماشین و یادگیری عمیق شروع می شود و سپس راهبردهای حل مسئله و محدودیت های اساسی یادگیری ماشین بیان می شود. تکنیک های دقیق در این فصل معرفی نشده اند. در عوض، مفاهیم اساسی که هم برای شبکه عصبی و هم برای یادگیری عمیق اعمال می شود، پوشش داده خواهد شد. موضوع دوم شبکه عصبی مصنوعی است. 1 فصل 2-4 بر این موضوع تمرکز دارد. از آنجایی که یادگیری عمیق نوعی از یادگیری ماشینی است که از یک شبکه عصبی استفاده می کند، شبکه عصبی از یادگیری عمیق جدایی ناپذیر است. فصل 2 با مبانی شبکه عصبی شروع می شود: اصول عملکرد، معماری و قوانین یادگیری. همچنین این دلیل را فراهم می کند که معماری تک لایه ساده به معماری چند لایه پیچیده تکامل یافته است. فصل 3 الگوریتم انتشار معکوس را ارائه می‌کند که یک قانون یادگیری مهم و نماینده شبکه عصبی است و در یادگیری عمیق نیز به کار می‌رود. این فصل توضیح می دهد که چگونه توابع هزینه و قوانین یادگیری مرتبط هستند و کدام توابع هزینه به طور گسترده در یادگیری عمیق به کار می روند. فصل 4 نحوه اعمال شبکه عصبی را برای مسائل طبقه بندی توضیح می دهد. ما بخش جداگانه ای را برای طبقه بندی اختصاص داده ایم زیرا در حال حاضر رایج ترین کاربرد یادگیری ماشین است. به عنوان مثال، تشخیص تصویر، یکی از برنامه های اصلی یادگیری عمیق، یک مشکل طبقه بندی است. موضوع سوم یادگیری عمیق است. موضوع اصلی این کتاب است. یادگیری عمیق در فصل‌های 5 و 6 پوشش داده شده است. فصل 5 درایورهایی را معرفی می‌کند که یادگیری عمیق را قادر می‌سازد تا عملکرد عالی داشته باشد. برای درک بهتر، با تاریخچه موانع و راه حل های یادگیری عمیق شروع می شود. فصل 6 شبکه عصبی کانولوشن را پوشش می دهد که نماینده تکنیک های یادگیری عمیق است. شبکه عصبی کانولوشن از نظر تشخیص تصویر در رتبه دوم قرار ندارد. این فصل با معرفی مفهوم اساسی و معماری شبکه عصبی کانولوشن در مقایسه با الگوریتم‌های تشخیص تصویر قبلی آغاز می‌شود. در ادامه توضیحاتی در مورد نقش ها و عملیات لایه کانولوشن و لایه ادغام ارائه می شود که به عنوان اجزای اساسی شبکه عصبی کانولوشن عمل می کنند. فصل با مثالی از تشخیص تصویر رقمی با استفاده از شبکه عصبی کانولوشن پایان می‌یابد و تکامل تصویر را در سراسر لایه‌ها بررسی می‌کند.

This book consists of six chapters, which can be grouped into three subjects. The first subject is Machine Learning and takes place in Chapter 1. Deep Learning stems from Machine Learning. This implies that if you want to understand the essence of Deep Learning, you have to know the philosophy behind Machine Learning to some extent. Chapter 1 starts with the relationship between Machine Learning and Deep Learning, followed by problem solving strategies and fundamental limitations of Machine Learning. The detailed techniques are not introduced in this chapter. Instead, fundamental concepts that apply to both the neural network and Deep Learning will be covered. The second subject is the artificial neural network.1 Chapters 2-4 focus on this subject. As Deep Learning is a type of Machine Learning that employs a neural network, the neural network is inseparable from Deep Learning. Chapter 2 starts with the fundamentals of the neural network: principles of its operation, architecture, and learning rules. It also provides the reason that the simple single-layer architecture evolved to the complex multi-layer architecture. Chapter 3 presents the back-propagation algorithm, which is an important and representative learning rule of the neural network and also employed in Deep Learning. This chapter explains how cost functions and learning rules are related and which cost functions are widely employed in Deep Learning. Chapter 4 explains how to apply the neural network to classification problems. We have allocated a separate section for classification because it is currently the most prevailing application of Machine Learning. For example, image recognition, one of the primary applications of Deep Learning, is a classification problem. The third topic is Deep Learning. It is the main topic of this book. Deep Learning is covered in Chapters 5 and 6. Chapter 5 introduces the drivers that enable Deep Learning to yield excellent performance. For a better understanding, it starts with the history of barriers and solutions of Deep Learning. Chapter 6 covers the convolution neural network, which is representative of Deep Learning techniques. The convolution neural network is second to none in terms of image recognition. This chapter starts with an introduction of the basic concept and architecture of the convolution neural network as it compares with the previous image recognition algorithms. It is followed by an explanation of the roles and operations of the convolution layer and pooling layer, which act as essential components of the convolution neural network. The chapter concludes with an example of digit image recognition using the convolution neural network and investigates the evolution of the image throughout the layers.

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: MATLAB Deep Learning

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید