Rewolucja w sieciach neuronowych

Książka ta zapewnia kompleksową eksplorację głębokiego uczenia się zaczynając od podstaw sieci neuronowych w tym algorytmu perceptronowego i kluczowych technik takich jak propagacja wsteczna i feed-forward optymalizacja i regularyzacja. Zagłębia się w podstawy głębokiego uczenia obejmujące ważne koncepcje takie jak zejście gradientowe propagacja wsteczna i rozwiązania wyzwań takich jak problem znikającego gradientu. Następnie książka wprowadza konwolucyjne sieci neuronowe (CNN) wyjaśniając ich architekturę warstwy konwolucji i łączenia oraz zastosowania takie jak uczenie transferowe do klasyfikacji obrazów. Ponadto omówiono zaawansowane architektury głębokiego uczenia takie jak LSTM GRU i autoenkodery w tym różne typy takie jak rzadkie denoisingowe i przeciwstawne sieci generatywne. Wreszcie książka omawia szeroki zakres zastosowań głębokiego uczenia się od przetwarzania obrazu i segmentacji po wykrywanie obiektów generowanie wideo-tekstu i systemy dialogowe wykorzystujące LSTM zapewniając zarówno teoretyczne zrozumienie jak i praktyczne spostrzeżenia dotyczące wdrażania modeli głębokiego uczenia się.