Neural Networks and Deep Learning

Deze tweede editie van het boek biedt een uitgebreide verkenning van zowel klassieke als moderne modellen in deep learning, ontworpen voor graduate studenten, onderzoekers en praktijkprofessionals op het gebied van kunstmatige intelligentie. Het boek is stevig gestructureerd en biedt een diepgaand inzicht in de theorie en algoritmes van neurale netwerken.

Inhoud en organisatie

De hoofdstukken zijn verdeeld in drie hoofdcategorieën:

- Basisprincipes van neurale netwerken: In dit deel wordt de backpropagation-algoritme uitvoerig besproken in Hoofdstuk 2. Hoofdstuk 3 legt de verbindingen tussen traditionele machine learning en neurale netwerken bloot, waarbij methoden zoals support vector machines, lineaire/logistische regressie, en matrixfactorisatie worden gepresenteerd als speciale gevallen van neurale netwerken. Speciale aandacht gaat ook uit naar moderne feature engineering technieken zoals word2vec.

- Fundamentals van neurale netwerken: Hoofdstukken 4 en 5 bieden een gedetailleerde bespreking van training en regularisatie. De hoofdstukken 6 en 7 introduceren respectievelijk radiale basisfunctienetwerken (RBF) en restrictieve Boltzmannmachines, waarmee belangrijke concepten in neurale netwerkstructuren aan bod komen.

- Geavanceerde onderwerpen in neurale netwerken: In de hoofdstukken 8, 9 en 10 wordt diepgaand ingegaan op recurrente neurale netwerken, convolutionele neurale netwerken, en graf neurale netwerken. Daarbij worden geavanceerde thema's zoals deep reinforcement learning, aandachtmechanismen, en generative adversarial networks (GANs) behandeld.

Praktische toepassing

Een belangrijk kenmerk van dit boek is de toepassinggerichte benadering. Het legt de nadruk op praktische toepassingen van de verschillende technieken, waardoor lezers een beter begrip krijgen van hoe neurale architecturen voor diverse problemen kunnen worden ontworpen. Het biedt een scala aan methodologieën voor verschillende datadomeinen zoals tekst, afbeeldingen en grafen.

Lesmateriaal

Het boek is verrijkt met talrijke oefeningen en een oplossingenmanual, wat het uitstekend geschikt maakt voor gebruik in een onderwijssituatie. De substantiële herstructurering en uitbreiding van deze editie zorgen ervoor dat er meer nadruk ligt op moderne concepten zoals transformer-netwerken en voorgetrainde taalmodellen, waarmee het boek een onmispakket wordt voor iedereen die zich bezighoudt met het snel evoluerende veld van deep learning.

Met in totaal 553 pagina’s biedt deze editie een diepgaande en actuele bron van kennis over neuraal netwerken en hun toepassingen.