خرید و دانلود نسخه کامل کتاب Meta-Learning: Theory, Algorithms and Applications

توضیحاتی در مورد کتاب



شبکه های عصبی عمیق (DNN) با الگوریتم های متراکم و پیچیده خود، امکانات واقعی برای هوش عمومی مصنوعی (AGI) فراهم می کنند. فرا یادگیری با DNN ها AGI را بسیار نزدیکتر می کند: عوامل مصنوعی وظایف هوشمندانه ای را حل می کنند که انسان می تواند به آن دست یابد، حتی فراتر از آنچه می تواند به دست آورد. فرا یادگیری: تئوری، الگوریتم ها و کاربردها نشان می دهد که چگونه فرا یادگیری در ترکیب با DNN ها به سمت AGI پیش می رود.

فرادآموزی: نظریه، الگوریتم ها و کاربردها < span> با ارائه پاسخ به این سوالات، مبانی فرا یادگیری را توضیح می دهد: فرا یادگیری چیست؟ چرا ما به فرا یادگیری نیاز داریم؟ مکانیسم‌های فرا یادگیری خود بهبود یافته چگونه به سمت AGI حرکت می‌کنند؟ چگونه می توانیم از فرا یادگیری در رویکرد خود به سناریوهای خاص استفاده کنیم؟ این کتاب پیشینه هفت پارادایم جریان اصلی را ارائه می‌کند: فرا یادگیری، یادگیری چند مرحله‌ای، یادگیری عمیق، یادگیری انتقالی، یادگیری ماشین، مدل‌سازی احتمالی و استنتاج بیزی. سپس مکانیسم‌های مهم پیشرفته و انواع آن‌ها را برای فرایادگیری توضیح می‌دهد، از جمله شبکه‌های عصبی تقویت‌شده حافظه، متا شبکه‌ها، شبکه‌های عصبی سیامی کانولوشن، شبکه‌های تطبیق، شبکه‌های نمونه اولیه، شبکه‌های رابطه، فرایادگیری LSTM، فرایادگیری مدل-آگنوستیک و الگوریتم خزنده.

این کتاب به بررسی نزدیک به 200 الگوریتم فرا یادگیری پیشرفته از کنفرانس های سطح بالا می پردازد. (به عنوان مثال NeurIPS، ICML، CVPR، ACL، ICLR، KDD). این به طور سیستماتیک 39 دسته از وظایف را از 11 زمینه کاربردی در دنیای واقعی بررسی می کند: بینایی کامپیوتر، پردازش زبان طبیعی، یادگیری فرا تقویتی، مراقبت های بهداشتی، مالی و اقتصاد، مصالح ساختمانی، شبکه های عصبی گرافیکی، ترکیب برنامه، شهر هوشمند، سیستم های توصیه شده، و علوم آب و هوا. هر فیلد کاربردی با نگاه کردن به روندهای آینده یا با ارائه خلاصه ای از منابع موجود به پایان می رسد.

فرادآموزی: نظریه، الگوریتم ها و کاربردها یکی است منبعی عالی برای درک اصول فرایادگیری و یادگیری الگوریتم‌های فرا یادگیری پیشرفته، که به دانش‌آموز، محقق و متخصص صنعت این امکان را می‌دهد که فرایادگیری را برای کاربردهای جدید مختلف به کار ببندد.<. /p>