کتاب «پیش به سوی شبکههای عصبی با پایتون» نوشتهای جامع است که به فرآیند پیادهسازی شبکههای عصبی با استفاده از زبان برنامهنویسی پایتون میپردازد. این کتاب مفاهیم بنیادی شبکههای عصبی مانند نورونها، لایهها، وزنها و توابع فعالسازی را به دقت توضیح میدهد و سپس به بررسی الگوریتمهای مختلف آموزش شبکههای عصبی میپردازد.
علاوه بر مباحث تئوری، کتاب شامل مثالهای عملی و تمریناتی است که درک عمیقتری از مفاهیم را برای خوانندگان فراهم میکند. با دنبال کردن دستورالعملهای مرحله به مرحله و پیادهسازی کدهای شبکههای عصبی، خوانندگان میتوانند به توانمندیهای قوی در این حوزه دست یابند و شبکههای عصبی پیشرفتهتری را با استفاده از کتابخانهها و ابزارهای موجود پیادهسازی کنند. این کتاب به علاقهمندان و پژوهشگران کمک میکند تا با مسایل پیچیدهتر در زمینه شبکههای عصبی آشنا شوند و کاربردهای پیشرفتهتری را بررسی کنند.
فصل اول: مقدمه. 1
فصل دوم: ساختار و عملکرد نورونها در یادگیری ماشین. 21
فصل سوم: دادههای آموزشی و ساختار لایههای متراکمدرشبکههایعصبی 65
فصل چهارم: توابع فعالسازی. 83
فصل پنجم: محاسبه خطا و ارزیابی عملکرد در شبکههای عصبی. 129
فصل ششم: بهینهسازی. 155
فصل هفتم: مشتقات و نقش آنها در یادگیری شبکههای عصبی. 167
فصل هشتم: گرادیانها و مشتقات جزئی در شبکههای عصبی. 199
فصل نهم: مشتق خطای آنتروپی و مشتقات مرتبط با آن. 215
فصل دهم: بهینهسازها و تکنیکهای بهینهسازی در یادگیری عمیق 301
فصل یازدهم: ارزیابی مدلهای یادگیری عمیق. 389
فصل دوازدهم: دادههای اعتبارسنجی. 399
فصل سیزدهم: دادههای آموزشی. 405
فصل چهاردهم: تنظیم L1 و L2 و تکنیکهای انتشار در یادگیری عمیق 411
فصل پانزدهم: حذف تصادفی و تکنیکهای انتشار در یادگیری عمیق. 445
فصل شانزدهم: رگرسیون لجستیک دودویی و تحلیل خطا با تابع آنتروپی متقاطع 479
فصل هفدهم: رگرسیون و تحلیل خطا در یادگیری ماشین. 523
فصل هجدهم: مدل شیء. 583
فصل نوزدهم: آمادهسازی و پیشپردازش دادهها 657
فصل بیستم: ارزیابی مدل در یادگیری ماشین. 739
فصل بیست و یکم: مدیریت پارامترها و مدل در یادگیری ماشین. 749
فصل بیست و دوم: پیشبینی و نتیجهگیری در یادگیری ماشین. 769
پیشبینی / نتیجهگیری.. 769
واژهنامه 829
منابع و مراجع 833
نمایه کتاب 837
دسته بندی موضوعی | موضوع فرعی |
فنی و مهندسی |
مهندسی كامپيوتر
مهندسی كامپيوتر |