Introdução matemática ao deep learning: métodos, implementação e teoria
- Este livro tem como objetivo apresentar os algoritmos de deep learning.
- Examina em detalhe, sob uma perspectiva matemática, os componentes centrais dos algoritmos de deep learning, incluindo várias estruturas de redes neurais artificiais (ANN) e algoritmos de otimização.
- Aborda diversos aspectos teóricos dos algoritmos de deep learning, como a capacidade de aproximação das ANNs, teoria da otimização e erro de generalização.
Revisão de métodos de aproximação de PDEs com deep learning
- Na parte final do livro, são revisados métodos de deep learning para aproximar PDEs.
- Inclui redes neurais informadas pela física (PINNs) e o método Deep Galerkin, entre outros.
Público-alvo do livro
- Escrito para estudantes e cientistas sem qualquer conhecimento prévio em deep learning.
- Ajuda profissionais a fortalecer a compreensão matemática dos objetos e métodos considerados no deep learning.
Informações adicionais
- O livro tem 601 páginas e inclui 36 figuras e 45 trechos de código-fonte.
- As áreas temáticas incluem aprendizado de máquina, inteligência artificial, análise numérica e teoria das probabilidades, e o código de classificação MSC é 68T07.
Opinião do GN⁺
- Este livro deve ajudar quem está tendo o primeiro contato com deep learning ao fornecer uma base matemática para compreender de forma sistemática algoritmos e teorias complexos.
- A explicação detalhada de várias estruturas de ANN e métodos de otimização oferece aos profissionais o conhecimento aprofundado necessário para aplicar esses conceitos em seus próprios projetos.
- O conteúdo sobre métodos de aproximação de PDEs destaca o lado prático do deep learning ao apresentar abordagens úteis para resolver problemas reais, especialmente nas áreas de engenharia e física.
Ainda não há comentários.