Descripción
Este SpringerBrief describe cómo construir un marco matemático riguroso de principio a fin para redes neuronales profundas. Los autores proporcionan herramientas para representar y describir redes neuronales, presentando resultados anteriores en el campo desde una perspectiva más natural. En particular, los autores derivan algoritmos de descenso de gradiente de forma unificada para varias estructuras de redes neuronales, incluyendo perceptrones multicapa, redes neuronales convolucionales, autoencoders profundos y redes neuronales recurrentes. Además, el marco desarrollado por los autores es más conciso y matemáticamente intuitivo que las representaciones anteriores de redes neuronales.
Este SpringerBrief es un paso hacia la revelación de la caja negra del Deep Learning. Los autores creen que este marco ayudará a catalizar nuevos descubrimientos sobre las propiedades matemáticas de las redes neuronales. Este SpringerBrief es accesible no solo para investigadores, profesionales y estudiantes que trabajan y estudian en el campo del aprendizaje profundo, sino también para aquellos ajenos a la comunidad de redes neuronales.
Autor: Anthony L. Caterini, Dong Eui Chang
Editorial: Springer
Publicado: 03/04/2018
Páginas: 84
Tipo de encuadernación: Tapa blanda
Peso: 0.33 libras
Tamaño: 9.21 alto x 6.14 ancho x 0.21 profundidad
ISBN13: 9783319753034
ISBN10: 3319753037
Categorías BISAC:
- Informática | Inteligencia Artificial | Visión por Computadora y Reconocimiento de Patrones