کتاب شبکه های عصبی و یادگیری عمیق

فصل اول : مقدمه‌ای بر شبکه‌های عصبی 1-1. مقدمه 1-2. معماری اصلی شبکه‌های عصبی 1-3. آموزش شبکه عصبی با پس‌انتشار 1-4. مباحث عملی در آموزش شبکه عصبی 1-5. اَسرار قدرت ترکیب توابع 1-6 . معماری‌های عصبی متداول 1-7. موضوعات پیشرفته 1-8 . دو محک قابل توجه 1-9. تمرین‌ها فصل دوم : یادگیری ماشین با شبکه‌های عصبی کم‌عمق 2-1. مقدمه 2-2. معماری‌های عصبی برای مدل‌های دسته‌بندی دودویی 2-3. معماری‌های عصبی برای مدل‌های چند دسته‌ای 2-4. برتری پس‌انتشار برای تفسیرپذیری در انتخاب ویژگی 2-5. تجزیه ماتریس با خودرمزگذار 2-6. Word2vec : کاربردی از معماری‌های عصبی ساده 2-7. معماری‌های عصبی ساده برای تعبیه‌های گراف 2-8. تمرین‌ها فصل سوم : آموزش شبکه‌های عصبی عمیق 3-1. مقدمه 3-2. پس‌انتشار: جزئیات گوری 3-3. موضوعات راه‌اندازی و مقداردهی اولیه 3-4. مسأله‌های محوشدگی و انفجار گرادیان 3-5. راهبردهای کاهش گرادیان 3-6. نرمال‌سازی دسته‌ای 3-7. ترفندهای عملی برای شتاب‌دهی و فشرده‌سازی 3-8 . تمرین‌ها فصل چهارم : آموزش یادگیری‌های عمیق برای تعمیم 4-1. مقدمه 4-2. موازنه‌ی بایاس ـ واریانس 4-3. مسائل تعمیم در تنظیم و ارزیابی مدل 4-4. منظم‌سازی مبتنی‌بر جریمه 4-5. روش‌های گروهی (جمعی) 4-6. توقف زودرس 4-7. پیش آموزش بدون نظارت 4-8. یادگیری پیوسته و برنامه‌ریزی شده 4-9. اشتراک پارامترها 4-10. منظم‌سازی در کاربردهای بدون نظارت 4-11. تمرین‌ها فصل پنجم : شبکه‌های تابع پایه‌ی شعاعی 5-1. مقدمه 5-2. آموزش شبکه RBF 5-3. حالت‌های خاص و نسخه‌های مختلف شبکه‌های RBF 5-4. ارتباط با روش‌های هسته‌ای 5-5. تمرین‌ها فصل ششم : ماشین‌های بولتزمن محدود 6-1. مقدمه 6-2. شبکه‌های هاپفیلد 6-3. ماشین بولتزمن 6-4. ماشین بولتزمن محدود 6-5. کاربردهای ماشین‌های بولتزمن محدود 6-6. استفاده از RBMها فراتر از انواع داده‌ی دودویی 6-7. ماشین‌های بولتزمن محدود پشته‌ای 6-8. تمرین‌ها فصل هفتم : شبکه‌های عصبی بازگشتی 7-1. مقدمه 7-2. معماری شبکه‌های عصبی بازگشتی 7-3. چالش‌ها در آموزش شبکه‌های بازگشتی 7-4. شبکه‌های حالت پژواک 7-5. حافظه‌ی طولانیِ کوتاه مدت (LSTM) 7-6. واحدهای بازگشتی گیت‌دار (GRU) 7-7. کاربردهای شبکه‌های عصبی بازگشتی 7-8. تمرین‌ها فصل هشتم : شبکه‌های عصبی پیچشی 8-1. مقدمه 8-2. ساختار شبکه پیچشی 8-3. آموزش شبکه پیچشی 8-4. مطالعات موردی معماری‌های پیچشی 8-5. مصورسازی و یادگیری بدون نظارت 8-6. کاربردهای شبکه‌های پیچشی 8-7. تمرین‌ها فصل نهم : یادگیری تقویتی عمیق 9-1. مقدمه 9-2. الگوریتم‌های بدون حالت: ماشین قمار چند اهرمی 9-3. چارچوب اصلی یادگیری تقویتی 9-4. خودگردان‌سازی برای یادگیری تابع مقدار 9-5. روش‌های گرادیان سیاست 9-6. جستجوی درخت مونت کارلو 9-7. مطالعات موردی 9-8. چالش‌های عملی مربوط به ایمنی 9-9. تمرین‌ها واژه‌نامه انگلیسی به فارسی