کتاب یادگیری عمیق با پایتون (مبانی و کاربردها)

بخش 1 : مفاهیم پایه فصل 1 : مقدمه‌ای بر یادگیری ماشین 1-1. سیری در اکوسیستم ML 1-2. آموزش الگوریتم‌های ML از طریق داده‌ها 1-3. معرفی یادگیری عمیق 1-4. چرا امروزه یادگیری عمیق اهمیت دارد؟ 1-5. خلاصه 1-6. پرسش و پاسخ 1-7. منابع فصل 2 : راه‌اندازی و معرفی چارچوب‌های یادگیری عمیق 2-1. مقدمه‌ای بر Colaboratory 2-2. معرفی و راه‌اندازی تنسورفلو 2-3. معرفی و راه‌اندازی کراس 2-4. آشنایی با پای‌تُرچ 2-5. آشنایی با دوپامین 2-6. سایر کتابخانه‌های یادگیری عمیق 2-7. خلاصه 2-8. پرسش و پاسخ 2-9. منابع فصل 3 : آماده‌سازی داده‌ها 3-1. داده‌های دودویی و دسته‌بندی دودویی 3-2. داده‌های طبقه‌ای و کلاس‌های متعدد 3-3. داده‌های عددی حقیقی و رگرسیون تک متغیره 3-4. تغییر توزیع داده‌ها 3-5. افزایش داده‌ها 3-6. کاهش ابعاد داده‌ها 3-7. ملاحظات اخلاقی دستکاری داده‌ها 3-8. خلاصه 3-9. پرسش و پاسخ 3-10. منابع فصل 4 : یادگیری براساس داده‌ها 4-1. یادگیری برای یک هدف 4-2. اندازه‌گیری موفقیت و خطا 4-3. شناسایی بیش برازش و تعمیم 4-4. هنر پشت یادگیری 4-5. ملاحظات اخلاقی در آموزش الگوریتم‌های یادگیری عمیق 4-6. خلاصه 4-7. پرسش و پاسخ 4-8. منابع فصل 5 : آموزش تک نورون 5-1. مدل پرسپترون 5-2. الگوریتم یادگیری پرسپترون 5-3. پرسپترون بر روی داده‌های غیرخطی تفکیک‌پذیر 5-4. خلاصه 5-5. پرسش و پاسخ 5-6. منابع فصل 6 : آموزش شبکه عصبی چندلایه 6-1. مدل MLP 6-2. کمینه‌سازی خطا 6-3. پیدا کردن بهترین پارامترها 6-4. خلاصه 6-5. پرسش و پاسخ 6-6. منابع بخش 2 : یادگیری عمیق بدون نظارت فصل 7 : خودرمزگذارها 7-1. مقدمه‌ای بر یادگیری بدون نظارت 7-2. رمزگذاری و رمزگشایی لایه‌ها 7-3. کاربردهای کاهش ابعاد و مصورسازی 7-4. ملاحظات اخلاقی یادگیری بدون نظارت 7-5. خلاصه 7-6. پرسش و پاسخ 7-7. منابع فصل 8 : خودرمزگذارهای عمیق 8-1. معرفی شبکه‌های باور عمیق 8-2. ساخت خودرمزگذارهای عمیق 8-3. کاوش در فضاهای نهفته با خودرمزگذارهای عمیق 8-4. خلاصه 8-5. پرسش و پاسخ 8-6. منابع فصل 9 : خودرمزگذارهای متغیر 9-1. معرفی مدل‌های مولد عمیق 9-2. بررسی مدل‌ VAE 9-3. مقایسه ‌ VAE عمیق و کم عمق در MNIST 9-4. ملاحظات اخلاقی مدل‌های مولد 9-5. خلاصه 9-6. پرسش و پاسخ 9-7. منابع فصل 10 : ماشین‌های محدود بولتزمن 10-1. آشنایی با RBMها 10-2. یادگیری بازنمایی داده‌ها با RBMها 10-3. مقایسه RBMها و AEها 10-4. خلاصه 10-5. پرسش و پاسخ 10-6. منابع بخش 3 : آموزش عمیق بانظارت فصل 11 : شبکه‌های عصبی عمیق و گسترده 11-1. شبکه‌های عصبی گسترده 11-2. شبکه‌های عصبی عمیق متراکم 11-3. شبکه‌های عصبی عمیق خلوت 11-4. بهینه‌سازی اَبَرپارامترها 11-5. خلاصه 11-6. پرسش و پاسخ 11-7. منابع فصل 12 : شبکه‌های عصبی کانولوشنی 12-1. مقدمه‌ای بر شبکه‌های عصبی کانولوشنی 12-2. کانولوشن در n ـ بُعد 12-3. لایه‌های کانولوشن 12-4. استراتژی‌های تجمیع 12-5. شبکه عصبی کانولوشن برای CIFAR-10 12-6. خلاصه 12-7. پرسش و پاسخ 12-8. منابع فصل 13 : شبکه‌های عصبی بازگشتی 13-1. آشنایی با شبکه‌های عصبی بازگشتی 13-2. مدل‌های حافظه طولانی کوتاه‌مدت 13-3. مدل‌های دنباله به بردار 13-4. مدل‌های بردار به دنباله 13-5. مدل‌های دنباله به دنباله 13-6. ملاحظات اخلاقی 13-7. خلاصه 13-8. پرسش و پاسخ 13-9. منابع فصل 14 : شبکه‌های مولد تخاصمی 14-1. معرفی یادگیری خصمانه 14-2. آموزش GAN 14-3. مقایسه GAN ها و VAEها 14-4. ملاحظات اخلاقی GANها 14-5. خلاصه 14-6. پرسش و پاسخ 14-7. منابع فصل 15 : نکات پایانی در مورد آینده یادگیری عمیق 15-1. به دنبال موضوعات پیشرفته در یادگیری عمیق باشید 15-2. خلاصه 15-3. منابع واژه‌نامه انگلیسی به فارسی واژه‌نامه فارسی به انگلیسی