Библиографическое описание:Deep Learning : Research and Applications / ed. Siddhartha Bhattacharyya [et al.]. - Электрон. текстовые дан. - 1515/9783110670905. - Berlin ; Boston : Walter de Gruyter GmbH, 2020. - 1 online resource (IX, 152 p.). - Загл. с титул. экрана. - Includes bibliographical references and index. - ISBN 9783110670929. - ISBN 3110670925. - ISBN 9783110670905. - ISBN 3110670909 : Б. ц. - Текст : электронный. Перевод заглавия: Глубокое обучение: исследования и приложения Примечания о происхождении: Коллекция цифровых книг Ebsco ebook (централизованная подписка 2023 г., бессрочный доступ).; НБ СФУ
Аннотация:This book focuses on the fundamentals of deep learning along with reporting on the current state-of-art research on deep learning. In addition, it provides an insight of deep neural networks in action with illustrative coding examples. Deep learning is a new area of machine learning research which has been introduced with the objective of moving ML closer to one of its original goals, i.e. artificial intelligence. Deep learning was developed as an ML approach to deal with complex input-output mappings. While traditional methods successfully solve problems where final value is a simple function of input data, deep learning techniques are able to capture composite relations between non-immediately related fields, for example between air pressure recordings and English words, millions of pixels and textual description, brand-related news and future stock prices and almost all real world problems. Deep learning is a class of nature inspired machine learning algorithms that uses a cascade of multiple layers of nonlinear processing units for feature extraction and transformation. Each successive layer uses the output from the previous layer as input. The learning may be supervised (e.g. classification) and/or unsupervised (e.g. pattern analysis) manners. These algorithms learn multiple levels of representations that correspond to different levels of abstraction by resorting to some form of gradient descent for training via backpropagation. Layers that have been used in deep learning include hidden layers of an artificial neural network and sets of propositional formulas. They may also include latent variables organized layer-wise in deep generative models such as the nodes in deep belief networks and deep boltzmann machines. Deep learning is part of state-of-the-art systems in various disciplines, particularly computer vision, automatic speech recognition (ASR) and human action recognition.
Эта книга посвящена основам глубокого обучения, а также освещает современные исследования в области глубокого обучения. Кроме того, в ней дается представление о глубоких нейронных сетях в действии с наглядными примерами кодирования. Глубокое обучение - это новая область исследований в области машинного обучения, которая была внедрена с целью приблизить ML к одной из его первоначальных целей, а именно к искусственному интеллекту. Глубокое обучение было разработано как подход ML к работе со сложными сопоставлениями ввода-вывода. В то время как традиционные методы успешно решают задачи, в которых конечное значение является простой функцией входных данных, методы глубокого обучения способны улавливать сложные взаимосвязи между не связанными непосредственно областями, например, между данными о давлении воздуха и английскими словами, миллионами пикселей и текстовым описанием, новостями, связанными с брендом, будущими ценами на акции и почти всеми другими. все проблемы реального мира. Глубокое обучение - это класс алгоритмов машинного обучения, вдохновленных природой, которые используют каскад из нескольких уровней нелинейных процессоров для извлечения и преобразования признаков. Каждый последующий уровень использует выходные данные предыдущего уровня в качестве входных данных. Обучение может осуществляться контролируемым (например, классификация) и/или неконтролируемым (например, анализ шаблонов) способами. Эти алгоритмы изучают множество уровней представлений, которые соответствуют разным уровням абстракции, прибегая к некоторой форме градиентного спуска для обучения с помощью обратного распространения. Слои, которые использовались в глубоком обучении, включают скрытые слои искусственной нейронной сети и наборы пропозициональных формул. Они также могут включать скрытые переменные, организованные по уровням в глубинных генеративных моделях, таких как узлы в глубинных сетях убеждений и глубинных машинах Больцмана. Глубокое обучение является частью самых современных систем в различных дисциплинах, в частности в области компьютерного зрения, автоматического распознавания речи (ASR) и распознавания действий человека.
