La rivoluzione delle reti neurali

Questo libro offre un'esplorazione completa del deep learning partendo dalle basi delle reti neurali tra cui l'algoritmo del perceptron e le tecniche chiave come la feed-forward e la backpropagation l'ottimizzazione e la regolarizzazione. Il libro approfondisce i fondamenti dell'apprendimento profondo trattando concetti importanti come la discesa del gradiente la retropropagazione e le soluzioni per sfide come il problema del gradiente che svanisce. Il libro introduce poi le reti neurali convoluzionali (CNN) spiegandone le architetture gli strati di convoluzione e pooling e le applicazioni come l'apprendimento per trasferimento per la classificazione delle immagini. Inoltre vengono trattate le architetture avanzate di deep learning come le LSTM le GRU e gli autoencoder compresi vari tipi come le reti generative sparse denoising e adversariali. Infine il libro discute un'ampia gamma di applicazioni del deep learning dall'elaborazione e segmentazione delle immagini al rilevamento di oggetti alla generazione di video-testi e ai sistemi di dialogo che utilizzano le LSTM fornendo sia una comprensione teorica che spunti pratici per l'implementazione di modelli di deep learning.