“یادگیری عمیق” یک زیرشاخه از “یادگیری ماشین” است که بر روی آموزش شبکه‌های عصبی با چند لایه (بنابراین اصطلاح “عمیق” استفاده می‌شود) تمرکز دارد. این شبکه‌ها به طور خودکار الگوها و نمایش‌های پیچیده را از داده‌ها کشف می‌کنند. برخلاف یادگیری ماشین سنتی که مهندسی ویژگی (feature engineering) بسیار مهم است، مدل‌های یادگیری عمیق می‌توانند ویژگی‌های مرتبط را مستقیماً از داده‌های خام یاد بگیرند. کاربردهای یادگیری عمیق در حوزه‌های مختلفی از جمله بینایی ماشین، پردازش زبان طبیعی، تشخیص گفتار و سیستم‌های توصیه قرار دارد. با بهره‌برداری از مجموعه داده‌های بزرگ و منابع محاسباتی قدرتمند، یادگیری عمیق به دستاوردهای قابل توجهی مانند دسته‌بندی تصویر، ترجمه زبان و رانندگی خودکار دست یافته است.
هدف این درس آشنایی با شبکه‌های عمیق، یادگیری عمیق، چالش‌های ریاضیاتی، محاسباتی و کاربرد آن‌ها در داده‌های با ابعاد بزرگ مانند سیگنال، تصویر و متن می‌باشد. یادگیری با سرپرست، بدون سرپرست، و یادگیری خصمانه با تکیه بر شبکه‌های عصبی کانولوشنی و آشنایی با آخرین مدل‌های ارایه شده، از مباحث اصلی این درس می‌باشند.

• I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning, MIT Press, 2016
• K. Murphy, Probabilistic Machine Learning – An Introduction, MIT Press, 2022
• S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, Academic Press, 2015
• M. Deisenroth, A. Faisal, and C. Ong, Mathematics for Machine Learning, Cambridge University Press, 2020
• K. B. Petersen and M. S. Pedersen, Matrix Cookbook, Technical University of Denmark, 2012
• Top Hot Paper