Neural Networks and Deep Learning

Dit boek biedt een uitgebreide en grondige verkenning van zowel klassieke als moderne modellen binnen deep learning. Het is ontworpen voor graduate studenten, onderzoekers en praktijkprofessionals die zich willen verdiepen in de theorie en algoritmes van neurale netwerken. De tweede editie van dit handboek is aanzienlijk herzien en uitgebreid, met een sterke focus op moderne concepten zoals aandachtmechanismen, transformer netwerken en voorgetrainde taalmodellen.

Inhoud en structuur

De hoofdstukken van dit boek zijn ingedeeld in drie belangrijke categorieën:

- De basisprincipes van neurale netwerken: In de eerste twee hoofdstukken wordt de backpropagation-algoritme gedetailleerd besproken. De relatie tussen traditionele machine learning en neurale netwerken komt aan bod, waarbij modellen zoals steunvector-machines, lineaire/logistische regressie, en matrixfactorisatie worden belicht als speciale gevallen van neurale netwerken. Deze methoden worden in verband gebracht met recente feature engineering technieken, waaronder word2vec.

- Fundamenten van neurale netwerken: Hoofdstukken 3 en 4 richten zich op training en regularisatie, essentieel voor het begrijpen van neurale architecturen. Hoofdstukken 5 en 6 introduceren Radiaal-Basis Functie (RBF) netwerken en beperkte Boltzmann machines, die belangrijke concepten binnen het veld zijn.

- Geavanceerde onderwerpen in neurale netwerken: Hoofdstukken 7 en 8 behandelen recursieve neurale netwerken en convolutionele neurale netwerken. Geavanceerde thema's zoals diepe versterkingsleer, neurale Turing-machines, Kohonen zelf-organiserende kaarten en generatieve tegenstrijdige netwerken worden besproken in de hoofdstukken 9 en 10.

Het boek bevat talloze oefeningen en een oplossingengids om het leren in klasverband te faciliteren, en legt waar mogelijk de nadruk op de praktische toepassingen van elke techniek.

Toepassingen

Het handboek behandelt diepgaande leerconcepten toegepast in verschillende domeinen zoals tekstverwerking, beeldherkenning, recommendatiesystemen, en meer. Het biedt inzicht in de ontwerpconcepten van neurale architecturen voor verschillende probleemtypen, en beantwoordt belangrijke vragen zoals: Waarom werken neurale netwerken? Wanneer zijn ze voordeliger dan traditionele machine learning modellen? Wat zijn de valkuilen bij het trainen van neurale netwerken?

Met al zijn inzichten en praktische toepassingen, maakt dit boek een waardevolle aanvulling voor iedereen die betrokken is bij het vakgebied van deep learning.