خرید و دانلود نسخه کامل کتاب Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural networks 1st Edition by Jay Dawani PDF

آنتونی رابینز میگه : من در 40 سالگی به جایی رسیدم که برای رسیدن بهش 82 سال زمان لازمه و این رو مدیون کتاب خواندن زیاد هستم.

By the end of this book, you’ll have built a strong foundation in neural networks and DL mathematical concepts, which will help you to confidently research and build custom models in DL.
What you will learn

Understand the key mathematical concepts for building neural network models
Discover core multivariable calculus concepts
Improve the performance of deep learning models using optimization techniques
Cover optimization algorithms, from basic stochastic gradient descent (SGD) to the advanced Adam optimizer
Understand computational graphs and their importance in DL
Explore the backpropagation algorithm to reduce output error
Cover DL algorithms such as convolutional neural networks (CNNs), sequence models, and generative adversarial networks (GANs)

Who this book is for

This book is for data scientists, machine learning developers, aspiring deep learning developers, or anyone who wants to understand the foundation of deep learning by learning the math behind it. Working knowledge of the Python programming language and machine learning basics is required.
Table of Contents

Linear Algebra
Vector Calculus
Probability and Statistics
Optimization
Graph Theory
Linear Neural Networks
Feedforward Neural Networks
Regularization
Convolutional Neural Networks
Recurrent Neural Networks
Attention Mechanisms
Generative Models
Transfer and Meta Learning
Geometric Deep Learning

توضیحات فارسی در مورد کتاب (ترجمه ماشینی)

تا پایان این کتاب، شما پایه‌ای محکم در شبکه‌های عصبی و مفاهیم ریاضی یادگیری عمیق ایجاد کرده‌اید که به شما کمک می‌کند تا با اطمینان در یادگیری و ساخت مدل‌های سفارشی در یادگیری عمیق تحقیق کنید.

**آنچه که یاد خواهید گرفت:**

– درک مفاهیم ریاضی کلیدی برای ساخت مدل‌های شبکه عصبی
– کشف مفاهیم اساسی حساب دیفرانسیل و انتگرال چندمتغیره
– بهبود عملکرد مدل‌های یادگیری عمیق با استفاده از تکنیک‌های بهینه‌سازی
– پوشش الگوریتم‌های بهینه‌سازی، از سیگنال گرادیان تصادفی (SGD) پایه تا بهینه‌ساز پیشرفته Adam
– درک نمودارهای محاسباتی و اهمیت آن‌ها در یادگیری عمیق
– کاوش الگوریتم بازگشتی برای کاهش خطای خروجی
– پوشش الگوریتم‌های یادگیری عمیق مانند شبکه‌های عصبی کانولوشنال (CNNs)، مدل‌های توالی و شبکه‌های رقابتی تولیدی (GANs)

**هدف این کتاب:**

این کتاب برای دانشمندان داده، توسعه‌دهندگان یادگیری ماشین، توسعه‌دهندگان مشتاق یادگیری عمیق یا هر فردی که می‌خواهد با یادگیری ریاضیات پشت آن، پایه‌های یادگیری عمیق را درک کند، مناسب است. دانش کاری زبان برنامه‌نویسی پایتون و مبانی یادگیری ماشین مورد نیاز است.

**محتوای جدول:**

– جبر خطی
– حساب بردار
– احتمال و آمار
– بهینه‌سازی
– نظریه گراف
– شبکه‌های عصبی خطی
– شبکه‌های عصبی فیدبک
– تنظیم‌کننده‌ها
– شبکه‌های عصبی کانولوشنال
– شبکه‌های عصبی بازگشتی
– مکانیسم‌های توجه
– مدل‌های تولیدی
– یادگیری انتقال و یادگیری متا
– یادگیری عمیق هندسی