Deep Learning voor Beginners 2: Implementatie van Recurrente Neurale Netwerken, VAE en GAN (Machinaal leren) in Python

Dit is het tweede deel van een serie over de basisprincipes van deep learning, gegeven door een populaire docent op het online onderwijsplatform Udemy.. Het vorige boek, "Deep Learning for Beginners", legde de meest elementaire basisprincipes uit.: Neurale netwerken en backpropagatie, op een gemakkelijk te begrijpen manier uitgelegd, zelfs voor beginners.. Dit boek legt terugkerende neurale netwerken uit. (RNN's), die zeer waardevol zijn op het gebied van natuurlijke taalverwerking, evenals de generatieve deep learning-modellen VAE (Variationele auto-encoder) en GAN (Generatieve Adversariële Netwerken), inclusief implementatiemethoden. Net als in het vorige boek is de programma-implementatie volledig in Python uitgevoerd, zonder gebruik te maken van bestaande frameworks.

[Boekkenmerken] - Voor wie het vorige boek niet heeft gelezen, bevat dit boek hoofdstukken waarin de basisprincipes van Python, wiskunde en neurale netwerken worden uitgelegd. - De voorbeeldprogramma's zijn volledig in Python geschreven, zonder gebruik te maken van frameworks.. Hierdoor zijn de principes van het coderen van wiskundige formules gemakkelijk te begrijpen, zelfs voor beginners. - De voorbeeldprogramma's kunnen worden gedownload van de website van SB Creative Corporation. Compatibel met Python 3, Jupyter Notebook en Google Colaboratory.

Hoofdstuk 1: De ontwikkeling van deep learning Overzicht van Deep Learning Toepassingen van Deep Learning Technologieën die in dit boek worden behandeld Hoe dit boek te gebruiken

Hoofdstuk 2: Voorbereiding op het leren Een Anaconda-omgeving instellen Hoe Google Colaboratory te gebruiken Hoe Jupyter Notebook te gebruiken Basisprincipes van Python NumPy en matplotlib Basis Wiskunde

Hoofdstuk 3: Basisprincipes van Deep Learning Overzicht van neurale netwerken en deep learning Voorwaartse propagatie door volledig verbonden lagen Terugpropagatie door volledig verbonden lagen Het implementeren van een volledig verbonden laag Eenvoudige implementatie van Deep Learning

Hoofdstuk 4: RNN Overzicht van RNN's Voorwaartse propagatie door RNN-lagen Backpropagatie via RNN-lagen Een RNN-laag implementeren Eenvoudige RNN-implementatie Problemen waarmee RNN's te maken hebben

Hoofdstuk 5: LSTM Overzicht van LSTM's Voorwaartse propagatie door LSTM-lagen Terugpropagatie door LSTM-lagen Een LSTM-laag implementeren Eenvoudige LSTM-implementatie Automatische tekstgeneratie

Hoofdstuk 6: GRU Overzicht van GRU Voorwaartse propagatie van de GRU-laag Achterwaartse propagatie van de GRU-laag Implementatie van de GRU-laag Eenvoudige GRU-implementatie Encoder-Decoder

hoofdstuk 7: VAE Overzicht van VAE Hoe VAE werkt Autoencoders implementeren Vereiste lagen voor VAE Implementatie van VAE VAE-derivaten Hoofdstuk 8: GAN Overzicht van GAN Hoe werkt GAN? Benodigde lagen voor een GAN GAN implementeren GAN-derivaten