کتاب شبکه های عصبی و یادگیری عمیق نشر علوم رایانه

فصل اول: مقدمه‌ای بر شبکه‌های عصبی ۱-۱. مقدمه ۱-۲. معماری اصلی شبکه‌های عصبی ۱-۳. آموزش شبکه عصبی با پس‌انتشار ۱-۴. مباحث عملی در آموزش شبکه عصبی ۱-۵. اَسرار قدرت ترکیب توابع ۱-۶. معماری‌های عصبی متداول ۱-۷. موضوعات پیشرفته ۱-۸. دو محک قابل توجه ۱-۹. تمرین‌ها فصل دوم: یادگیری ماشین با شبکه‌های عصبی کم‌عمق ۲-۱. مقدمه ۲-۲. معماری‌های عصبی برای مدل‌های دسته‌بندی دودویی ۲-۳. معماری‌های عصبی برای مدل‌های چند دسته‌ای ۲-۴. برتری پس‌انتشار برای تفسیرپذیری در انتخاب ویژگی ۲-۵. تجزیه ماتریس با خودرمزگذار ۲-۶. Word۲vec: کاربردی از معماری‌های عصبی ساده ۲-۷. معماری‌های عصبی ساده برای تعبیه‌های گراف ۲-۸. تمرین‌ها فصل سوم: آموزش شبکه‌های عصبی عمیق ۳-۱. مقدمه ۳-۲. پس‌انتشار: جزئیات گوری ۳-۳. موضوعات راه‌اندازی و مقداردهی اولیه ۳-۴. مسأله‌های محوشدگی و انفجار گرادیان ۳-۵. راهبردهای کاهش گرادیان ۳-۶. نرمال‌سازی دسته‌ای ۳-۷. ترفندهای عملی برای شتاب‌دهی و فشرده‌سازی ۳-۸. تمرین‌ها فصل چهارم: آموزش یادگیری‌های عمیق برای تعمیم ۴-۱. مقدمه ۴-۲. موازنه‌ی بایاس ـ واریانس ۴-۳. مسائل تعمیم در تنظیم و ارزیابی مدل ۴-۴. منظم‌سازی مبتنی‌بر جریمه ۴-۵. روش‌های گروهی (جمعی) ۴-۶. توقف زودرس ۴-۷. پیش آموزش بدون نظارت ۴-۸. یادگیری پیوسته و برنامه‌ریزی شده ۴-۹. اشتراک پارامترها ۴-۱۰. منظم‌سازی در کاربردهای بدون نظارت ۴-۱۱. تمرین‌ها فصل پنجم: شبکه‌های تابع پایه‌ی شعاعی ۵-۱. مقدمه ۵-۲. آموزش شبکه RBF ۵-۳. حالت‌های خاص و نسخه‌های مختلف شبکه‌های RBF ۵-۴. ارتباط با روش‌های هسته‌ای ۵-۵. تمرین‌ها فصل ششم: ماشین‌های بولتزمن محدود ۶-۱. مقدمه ۶-۲. شبکه‌های هاپفیلد ۶-۳. ماشین بولتزمن ۶-۴. ماشین بولتزمن محدود ۶-۵. کاربردهای ماشین‌های بولتزمن محدود ۶-۶. استفاده از RBMها فراتر از انواع داده‌ی دودویی ۶-۷. ماشین‌های بولتزمن محدود پشته‌ای ۶-۸. تمرین‌ها فصل هفتم: شبکه‌های عصبی بازگشتی ۷-۱. مقدمه ۷-۲. معماری شبکه‌های عصبی بازگشتی ۷-۳. چالش‌ها در آموزش شبکه‌های بازگشتی ۷-۴. شبکه‌های حالت پژواک ۷-۵. حافظه‌ی طولانیِ کوتاه مدت (LSTM) ۷-۶. واحدهای بازگشتی گیت‌دار (GRU) ۷-۷. کاربردهای شبکه‌های عصبی بازگشتی ۷-۸. تمرین‌ها