Author Description

Questo libro offre un'esplorazione completa del deep learning, partendo dalle basi delle reti neurali, tra cui l'algoritmo del perceptron e le tecniche chiave come la feed-forward e la backpropagation, l'ottimizzazione e la regolarizzazione. Il libro approfondisce i fondamenti dell'apprendimento profondo, trattando concetti importanti come la discesa del gradiente, la retropropagazione e le soluzioni per sfide come il problema del gradiente che svanisce. Il libro introduce poi le reti neurali convoluzionali (CNN), spiegandone le architetture, gli strati di convoluzione e pooling e le applicazioni come l'apprendimento per trasferimento per la classificazione delle immagini. Inoltre, vengono trattate le architetture avanzate di deep learning, come le LSTM, le GRU e gli autoencoder, compresi vari tipi come le reti generative sparse, denoising e adversariali. Infine, il libro discute un'ampia gamma di applicazioni del deep learning, dall'elaborazione e segmentazione delle immagini al rilevamento di oggetti, alla generazione di video-testi e ai sistemi di dialogo che utilizzano le LSTM, fornendo sia una comprensione teorica che spunti pratici per l'implementazione di modelli di deep learning.