Khái niệm cơ bản về mạng nơ-ron: Nhiều mô hình học máy truyền thống có thể được hiểu là trường hợp đặc biệt của mạng nơ-ron. Hai chương đầu tiên nhấn mạnh vào việc tìm hiểu mối quan hệ giữa học máy truyền thống và mạng lưới thần kinh. Máy vectơ hỗ trợ, hồi quy tuyến tính/hậu cần, phân tách giá trị số ít, hệ số hóa ma trận và hệ thống gợi ý được hiển thị là các trường hợp đặc biệt của mạng lưới thần kinh. Các phương pháp này được nghiên cứu cùng với các phương pháp kỹ thuật tính năng gần đây như word2vec. Nguyên tắc cơ bản của mạng nơ-ron: Một cuộc thảo luận chi tiết về đào tạo và chính quy hóa được cung cấp trong Chương 3 và 4. Chương 5 và 6 trình bày các mạng chức năng cơ sở xuyên tâm (RBF) và các máy Boltzmann bị hạn chế. Các chủ đề nâng cao về mạng nơ-ron: Chương 7 và 8 thảo luận về mạng nơ-ron hồi quy và mạng nơ-ron tích chập. Một số chủ đề nâng cao như học tăng cường sâu, máy Turing thần kinh, bản đồ tự tổ chức Kohonen và mạng đối thủ tổng quát được giới thiệu trong Chương 9 và 10. Cuốn sách được viết dành cho sinh viên sau đại học, nhà nghiên cứu và học viên. Nhiều bài tập có sẵn cùng với hướng dẫn giải đáp để hỗ trợ việc giảng dạy trên lớp. Nếu có thể, quan điểm lấy ứng dụng làm trung tâm sẽ được nêu bật để cung cấp sự hiểu biết về cách sử dụng thực tế của từng loại kỹ thuật.

Abstract:

The basics of neural networks: Many traditional machine learning models can be understood as special cases of neural networks. An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec. Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines. Advanced topics in neural networks: Chapters 7 and 8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10. The book is written for graduate students, researchers, and practitioners. Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques.

Ngôn ngữ:	En
Tác giả:	Charu C. Aggarwal
Thông tin nhan đề:	Neural Networks and Deep Learning
Nhà xuất bản:	Springer
Loại hình:	Tài nguyên giáo dục mở / Bộ sưu tập: Công nghệ thông tin
Bản quyền:	https://creativecommons.org/licenses/by/4.0/
Nguồn gốc:	https://www.dbooks.org/neural-networks-and-deep-learning-3319944630/
Mô tả vật lý:	512p.
Năm xuất bản:	2018