Cantitate/Preț
Produs
Total produse
Vezi coșul
Neural Networks and Deep Learning: A Textbook de Charu C. Aggarwal

Neural Networks and Deep Learning: A Textbook

Autor Charu C. Aggarwal
en Limba Engleză Paperback – 31 ian 2019

În cadrul acestei a doua ediții a volumului Neural Networks and Deep Learning, descoperim o structură riguros compartimentată, menită să ghideze cititorul de la mecanismele elementare la cele mai complexe arhitecturi contemporane. Organizarea materialului urmează o progresie logică în trei etape: primele capitole stabilesc legătura matematică dintre învățarea automată clasică și rețelele neuronale, partea centrală se concentrează pe fundamentele antrenării și regularizării, în timp ce secțiunile finale explorează frontierele actuale ale domeniului. Reținem efortul autorului de a demistifica succesul rețelelor adânci, oferind răspunsuri argumentate la întrebări esențiale despre utilitatea adâncimii rețelelor și dificultățile inerente procesului de antrenare.

Considerăm că această ediție aduce o valoare adăugată semnificativă prin capitolele noi despre rețelele neuronale pe grafuri și prin extinderea secțiunilor dedicate modelelor de limbaj bazate pe transformatoare. Această abordare completează perspectiva oferită de Understanding Deep Learning de Simon J. D. Prince; în timp ce Prince pune accent pe o intuiție digestibilă și curatată, Charu C. Aggarwal preferă o tratare algoritmică exhaustivă, ancorată în teoria matematică solidă. De asemenea, lucrarea se distinge de Introduction to Deep Learning de Sandro Skansi prin profunzimea detaliilor tehnice, fiind adresată cu precădere studenților la nivel masteral sau cercetătorilor.

Poziționăm acest titlu ca un pilon central în opera autorului, făcând trecerea de la lucrările sale axate pe baze de date spre inteligența artificială modernă. Cartea rafinează conceptele prezentate în Linear Algebra and Optimization for Machine Learning, aplicând acele fundamente teoretice direct în designul arhitectural al rețelelor neuronale. Prin includerea unor teme precum învățarea prin întărire (reinforcement learning) și rețelele generative adversariale, Aggarwal oferă un instrumentar complet pentru înțelegerea peisajului tehnologic actual.

Citește tot Restrânge

Preț: 33655 lei

Preț vechi: 42069 lei
-20%

Puncte Express: 505
Paperback (2) de la 33655 lei
Hardback 48473 lei

Carte tipărită la comandă

Livrare economică 11-25 septembrie

Livrare prin curier în România Termenul estimat este afișat lângă disponibilitate.
Transport gratuit de la 40000 lei Plată online sau ramburs, în funcție de opțiunile comenzii.
Retur gratuit în 14 zile Comandă securizată și suport în română.
 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783030068561
ISBN-10: 3030068560
Pagini: 497
Ilustrații: XXIII, 497 p. 139 illus., 11 illus. in color.
Dimensiuni: 178 x 254 x 32 mm
Greutate: 0.9 kg
Ediția:Softcover reprint of the original 1st ed. 2018
Editura: Springer International Publishing
Colecția Springer
Locul publicării:Cham, Switzerland

De ce să citești această carte

Recomandăm această carte oricărui student la informatică sau inginerie care dorește să înțeleagă nu doar cum să folosească modelele de deep learning, ci mai ales de ce funcționează acestea. Cititorul câștigă o viziune unitară asupra domeniului, învățând să proiecteze arhitecturi specifice pentru text, imagini sau grafuri. Este resursa ideală pentru a trece de la utilizarea unor biblioteci software la înțelegerea algoritmilor de bază care stau la temelia inteligenței artificiale.

Despre autor

Charu C. Aggarwal este un cercetător de renume mondial, ocupând poziția de Research Staff Member la IBM Research. Cu un parcurs academic de excepție, fiind licențiat la IIT Kanpur și doctor al MIT, Aggarwal a publicat peste 90 de lucrări științifice și deține zeci de brevete de invenție, fiind desemnat „Master Inventor” de către IBM. Experiența sa vastă în data mining și baze de date se reflectă în precizia matematică a textelor sale. În contextul actualei lucrări, autorul folosește rigoarea dobândită în cercetarea industrială pentru a oferi o perspectivă pragmatică, dar profund teoretică asupra rețelelor neuronale.

Descriere scurtă

This book covers both classical and modern models in deep learning. The primary focus is on the theory and algorithms of deep learning. The theory and algorithms of neural networks are particularly important for understanding important concepts, so that one can understand the important design concepts of neural architectures in different applications. Why do neural networks work? When do they work better than off-the-shelf machine-learning models? When is depth useful? Why is training neural networks so hard? What are the pitfalls? The book  is also rich in discussing different applications in order to give the practitioner a flavor of how neural architectures are designed for different types of problems. Applications associated with many different areas like recommender systems, machine translation, image captioning, image classification, reinforcement-learning based gaming, and text analytics are covered. The chapters of this book span three categories:
The basics of neural networks:  Many traditional machine learning models can be understood as special cases of neural networks.  An emphasis is placed in the first two chapters on understanding the relationship between traditional machine learning and neural networks. Support vector machines, linear/logistic regression, singular value decomposition, matrix factorization, and recommender systems are shown to be special cases of neural networks. These methods are studied together with recent feature engineering methods like word2vec.
Fundamentals of neural networks: A detailed discussion of training and regularization is provided in Chapters 3 and 4. Chapters 5 and 6 present radial-basis function (RBF) networks and restricted Boltzmann machines.
Advanced topics in neural networks: Chapters 7 and 8 discuss recurrent neural networks and convolutional neural networks. Several advanced topics like deep reinforcement learning, neural Turing machines, Kohonen self-organizing maps, and generative adversarial networks are introduced in Chapters 9 and 10.
The book is written for graduate students, researchers, and practitioners.   Numerous exercises are available along with a solution manual to aid in classroom teaching. Where possible, an application-centric view is highlighted in order to provide an understanding of the practical uses of each class of techniques.

Cuprins

1 An Introduction to Neural Networks.- 2 Machine Learning with Shallow Neural Networks.- 3 Training Deep Neural Networks.- 4 Teaching Deep Learners to Generalize.- 5 Radical Basis Function Networks.- 6 Restricted Boltzmann Machines.- 7 Recurrent Neural Networks.- 8 Convolutional Neural Networks.- 9 Deep Reinforcement Learning.- 10 Advanced Topics in Deep Learning.

Recenzii

“The book recommends itself as a stepping-stone of the research-intensive area of deep learning and a worthy continuation of the previous textbooks written by the author … . Thanks to its systematic and thorough approach complemented with the variety of resources (bibliographic and software references, exercises) neatly presented after each chapter, it is suitable for audiences of varied expertise or background.” (Irina Ioana Mohorianu, zbMATH 1402.68001, 2019)

Notă biografică

Charu C. Aggarwal is a Distinguished Research Staff Member (DRSM) at the IBM T. J. Watson Research Center in Yorktown Heights, New York. He completed his undergraduate degree in Computer Science from the Indian Institute of Technology at Kanpur in 1993 and his Ph.D. in Operations Research from the Massachusetts Institute of Technology in 1996. He has published more than 350 papers in refereed conferences and journals, and has applied for or been granted more than 80 patents. He is author or editor of 18 books, including textbooks on data mining, machine learning (for text), recommender systems, and outlier analy-sis. Because of the commercial value of his patents, he has thrice been designated a Master Inventor at IBM. He has received several inter-nal and external awards, including the EDBT Test-of-Time Award (2014) and the IEEE ICDM Research Contributions Award (2015). Aside from serving as program or general chair of many major conferences in data mining, he is an editor-in-chief of the ACM SIGKDD Explorations and also of the ACM Transactions on Knowledge Discovery from Data. He is a fellow of the SIAM, ACM, and the IEEE, for “contributions to knowledge discovery and data mining algorithms.”

Caracteristici

This book covers the theory and algorithms of deep learning and it provides detailed discussions of the relationships of neural networks with traditional machine learning algorithms. The mathematical aspects are concretely presented without losing accessibility. The book is written in a textbook style, and it includes exercises, a solution manual, and instructor slides. The depth and breadth of coverage are unique to the book. Includes supplementary material: sn.pub/extras Request lecturer material: sn.pub/lecturer-material