این کتاب به بررسی دقیق معماریهای مختلف شبکههای عصبی میپردازد و به خوانندگان پایهای محکم در درک و به کارگیری این مدلها ارائه میدهد. با اصول اولیه پرسپترون و کاربرد آن در طبقهبندی ارقام شروع شده و به ساختارهای پیچیدهتری مانند پرسپترونهای چندلایه برای پیشبینی مالی، شبکههای تابع پایه شعاعی برای پیشبینی کیفیت هوا و شبکههای عصبی کانولوشن (CNN) برای طبقهبندی تصاویر میرسد. علاوه بر این، کتاب شبکههای عصبی بازگشتی (RNN) و انواع آن مانند حافظه بلندمدت (LSTM) و واحدهای بازگشتی دروازهای (GRU) را پوشش میدهد که برای تحلیل سریهای زمانی و کاربردهای دادههای ترتیبی بسیار مهم هستند.
الگوریتمهای یادگیری ماشین نظارتشده، با دقت توضیح داده شدهاند و مثالهای عملی برای نشان دادن کاربرد آنها ارائه شده است. این کتاب، رگرسیون لجستیک و کاربرد آن در پیشبینی نتایج ورزشی، درختهای تصمیم برای طبقهبندی گیاهان، جنگلهای تصادفی برای پیشبینی ترافیک و ماشینهای بردار پشتیبان برای پیشبینی قیمت خانه را پوشش میدهد. ماشینهای گرادیان افزایشی و کاربردهای آنها در ژنومیک، AdaBoost برای طبقهبندی دادههای بیوانفورماتیک و گرادیان افزایشی شدید (XGBoost) برای پیشبینی ریزش مشتری نیز مورد بحث قرار میگیرند و جعبه ابزاری قوی برای وظایف پیشبینی مختلف در اختیار خوانندگان قرار میدهند.
الگوریتمهای یادگیری بدون نظارت، یکی دیگر از محورهای مهم این کتاب هستند که خوانندگان را با تکنیکهایی برای کشف الگوهای پنهان در دادهها آشنا میکنند. خوشهبندی سلسله مراتبی برای تجزیه و تحلیل دادههای بیان ژن، تجزیه و تحلیل مولفههای اصلی (PCA) برای پیشبینیهای آب و هوا و تجزیه مقادیر منفرد (SVD) برای حذف نویز سیگنال به طور کامل توضیح داده شدهاند. این کتاب همچنین به بررسی کاربردهایی مانند ناوبری ربات و امنیت شبکه میپردازد و تطبیقپذیری این تکنیکها را نشان میدهد.
پردازش زبان طبیعی (NLP) به طور جامع پوشش داده شده و مفاهیم اساسی و کاربردهای مختلف آن برجسته شده است. این کتاب به بررسی اجمالی NLP، مفاهیم اساسی آن و کاربردهای متنوع آن مانند رباتهای گفتگو، دستیاران مجازی، کاربردهای بالینی NLP و تجزیه و تحلیل رسانههای اجتماعی میپردازد. بخشهای مفصل در مورد پیش پردازش متن، تجزیه و تحلیل نحوی، ترجمه ماشینی، طبقهبندی متن، تشخیص موجودیت نامگذاری شده و تحلیل احساسات، خوانندگان را با دانش لازم برای ساخت مدلهای پیچیده NLP مجهز میکند.
فصول پایانی کتاب به بررسی هوش مصنوعی مولد، از جمله شبکههای مولد تخاصمی (GAN) برای تولید تصویر، خودرمزگذارهای واریانسپذیر برای آموزش رمزگذار ارتعاشی و مدلهای خودرگرسیو برای پیشبینی سریهای زمانی میپردازد. همچنین به مدلهای زنجیره مارکوف برای تولید متن، ماشینهای بولتزمن برای تشخیص الگو و شبکههای اعتقادی عمیق برای پیشبینی مالی میپردازد. توجه ویژهای به کاربرد شبکههای عصبی بازگشتی (RNN) برای وظایف تولیدی، مانند پیشبینی نیروگاه بادی و پیشبینی برد باتری داده میشود و پیادهسازیهای عملی هوش مصنوعی مولد در زمینههای مختلف را به نمایش میگذارد.
