هدف الگوریتمهای یادگیری عمیق، یافتن تعدادی سطح از نمایشهای پخش شده از داده ورودی است که خود زیرمجموعهای از الگوریتمهای یادگیری ماشین محسوب میشوند. به تازگی برای یافتن مسائل هوش مصنوعی الگوریتمهای یادگیری عمیق زیادی ارائه میشوند که محیط دشپنده (Mohit Deshpande) در کتاب یادگیری عمیق برای انسانها (Deep Learning For Human Beings) گزیدهای از تعدادی روش و شیوهی یادگیری عمیق گوناگون و پیشرفتهای اخیر آنها را ارائه میکند. شبکه عصبی عمیق در زمینه بینایی همانند دستهبندی تصاویر، شناسایی اشیاء، استخراج تصاویر و قطعهبندی معنایی دارد. خصوصیتی بسیار مهمی که در کتاب حاضر وجود دارد، ساختارسازی الگوریتمهای مربوط به شبکه عصبی عمیق به وسیلهی زبان برنامهنویسی پایتون است.شبکههای عصبی طی چند سال گذشته بسیار محبوب شدهاند و معماریهای جدید، انواع نورونها، توابع فعالسازی و تکنیکهای آموزش در تمامی اوقات در مقالات ظاهر میشوند. اما بدون درک اساسی از شبکههای عصبی، همگام شدن با کارهای جدید در این زمینه کاملا دشوار است. برای درک رویکردهای مدرن، باید کوچکترین و بنیادیترین بلوک ساختاری شبکههای عصبی عمیق اعصاب را درک کنید؛ نورون. به طور خاص، خواهید دید که چگونه میتوان چندین نورون را در یک لایه ترکیب کرد و یک شبکه عصبی به نام پرسپترون (perceptron) ایجاد کرد. در این کتاب، برای ساخت یک شبکه پرسپترون، از ابتدا الگوریتم یادگیری با کد پایتون (با استفاده از numpy) پیادهسازی شده است.
_0-230x250.jpg "کتاب یادگیری عمیق در تصویربرداری پزشکی")
_0_0-230x250.jpg "کتاب یادگیری تقویتی در تصویربرداری پزشکی")
_0-230x250.jpg "کتاب اصول یادگیری ماشین برای تحلیل داده های پیش گویانه")