یادگیری عمیق برای تحلیل داده ۲۰۲۰
Deep Learning for Data Analytics 2020

یادگیری عمیق، شاخه‌ای از هوش مصنوعی و یادگیری ماشین، منجر به رویکردهای جدیدی برای حل مسائل در زمینه‌های مختلف، از جمله علم داده، تحلیل داده و مهندسی پزشکی شده است. کتاب «یادگیری عمیق برای تحلیل داده: مبانی، کاربردهای زیست‌پزشکی و چالش‌ها»، رویکردی متمرکز برای طراحی و پیاده‌سازی مفاهیم یادگیری عمیق با استفاده از تکنیک‌های تحلیل داده در محیط‌های مقیاس بزرگ را در اختیار خوانندگان قرار می‌دهد.

الگوریتم‌های یادگیری عمیق مبتنی بر مدل‌های شبکه‌های عصبی مصنوعی هستند تا لایه‌های متعددی از پردازش غیرخطی را به‌صورت متوالی اعمال کنند، که به استخراج ویژگی و یادگیری به روش‌های نظارت‌شده و نظارت‌نشده، از جمله طبقه‌بندی و تحلیل الگو، کمک می‌کند. یادگیری عمیق داده‌ها را از طریق زنجیره‌ای از لایه‌ها تبدیل می‌کند و به سیستم‌ها کمک می‌کند تا مجموعه‌های داده‌های پیچیده را تجزیه و تحلیل و پردازش کنند. الگوریتم‌های یادگیری عمیق، داده‌های پیچیده سطح بالا را استخراج کرده و این مجموعه‌های پیچیده را به ایده‌های نسبتاً ساده‌تری که در سطح قبلی سلسله مراتب فرموله شده‌اند، پردازش می‌کنند.

نویسندگان این کتاب بر روش‌های مناسب تحلیل داده برای حل مسائل پیچیده دنیای واقعی مانند تشخیص تصویر پزشکی، مهندسی پزشکی و ردیابی اشیاء با استفاده از روش‌های یادگیری عمیق تمرکز دارند. این کتاب یک مسیر عملی برای محققانی فراهم می‌کند که مایل به تجزیه و تحلیل حجم زیادی از داده‌ها برای کاربردهای تجاری، مهندسی و زیست‌پزشکی هستند. معماری‌های یادگیری عمیق، از جمله شبکه‌های عصبی عمیق، شبکه‌های عصبی بازگشتی و شبکه‌های اعتقاد عمیق می‌توانند برای کمک به حل مسائل در کاربردهایی مانند پردازش زبان طبیعی، تشخیص گفتار، بینایی کامپیوتر، بیوانفورماتیک، تشخیص صدا، طراحی دارو و تجزیه و تحلیل تصاویر پزشکی استفاده شوند.

* ارائه آخرین پیشرفت‌ها در یادگیری عمیق برای تحلیل داده و کاربردهای مهندسی پزشکی.
* بحث در مورد تکنیک‌های یادگیری عمیق همانطور که در دنیای واقعی مهندسی پزشکی و علم داده به کار گرفته می‌شوند، از جمله شبکه‌های یادگیری عمیق، یادگیری ویژگی عمیق، جعبه ابزارهای یادگیری عمیق، ارزیابی عملکرد، بهینه‌سازی یادگیری عمیق، خودرمزگذارهای عمیق و شبکه‌های عصبی عمیق.
* ارائه مقدمه‌ای بر یادگیری عمیق به همراه پوشش شبکه‌های اعتقاد عمیق، شبکه‌های عصبی کانولوشنال، ماشین‌های بولتزمن محدودشده، مبانی تحلیل داده، علم داده سازمانی، تحلیل پیش‌بینی‌کننده، بهینه‌سازی برای یادگیری عمیق و انتخاب ویژگی با استفاده از یادگیری عمیق به خوانندگان.

Deep learning, a branch of Artificial Intelligence and machine learning, has led to new approaches to solving problems in a variety of domains including data science, data analytics and biomedical engineering. Deep Learning for Data Analytics: Foundations, Biomedical Applications and Challenges provides readers with a focused approach for the design and implementation of deep learning concepts using data analytics techniques in large scale environments. Deep learning algorithms are based on artificial neural network models to cascade multiple layers of nonlinear processing, which aids in feature extraction and learning in supervised and unsupervised ways, including classification and pattern analysis. Deep learning transforms data through a cascade of layers, helping systems analyze and process complex data sets. Deep learning algorithms extract high level complex data and process these complex sets to relatively simpler ideas formulated in the preceding level of the hierarchy. The authors of this book focus on suitable data analytics methods to solve complex real world problems such as medical image recognition, biomedical engineering, and object tracking using deep learning methodologies. The book provides a pragmatic direction for researchers who wish to analyze large volumes of data for business, engineering, and biomedical applications. Deep learning architectures including deep neural networks, recurrent neural networks, and deep belief networks can be used to help resolve problems in applications such as natural language processing, speech recognition, computer vision, bioinoformatics, audio recognition, drug design, and medical image analysis. – Presents the latest advances in Deep Learning for data analytics and biomedical engineering applications. – Discusses Deep Learning techniques as they are being applied in the real world of biomedical engineering and data science, including Deep Learning networks, deep feature learning, deep learning toolboxes, performance evaluation, Deep Learning optimization, deep auto-encoders, and deep neural networks – Provides readers with an introduction to Deep Learning, along with coverage of deep belief networks, convolutional neural networks, Restricted Boltzmann Machines, data analytics basics, enterprise data science, predictive analysis, optimization for Deep Learning, and feature selection using Deep Learning