Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userDeep Learning
التعلّم العميق
2205
4 154
0.0
(
0
)
Created by
Shadi Saleh
Ask ChatGPT about the research
هذا الكتاب تم وضعه من قبل ثلاثة خبراء في المجال, وهو الكتاب الوحيد الذي يشرح تفاصيل واضحة في هذا الموضوع - ايلون موسك
Written by three experts in the field, Deep Learning is the only comprehensive book on the subject." -- Elon Musk, co-chair of OpenAI; cof-ounder and CEO of Tesla and SpaceX
Artificial intelligence review:
Research summary
الكتاب 'التعلم العميق' من تأليف إيان جودفيلو ويوشوا بنجيو وآرون كورويل هو دليل شامل حول التعلم العميق، وهو فرع من فروع الذكاء الاصطناعي الذي يركز على بناء نماذج تعلم الآلة التي تتعلم من البيانات الكبيرة والمعقدة. يتكون الكتاب من ثلاثة أجزاء رئيسية: الجزء الأول يغطي الأساسيات الرياضية وتعلم الآلة، بما في ذلك الجبر الخطي، الاحتمالات، ونظرية المعلومات. الجزء الثاني يركز على خوارزميات التعلم العميق الأكثر استخدامًا، مثل الشبكات العصبية التلافيفية والشبكات العصبية المتكررة. الجزء الثالث يتناول الأفكار المستقبلية والمضاربة في مجال البحث في التعلم العميق. الكتاب يستهدف طلاب الجامعات والمهندسين البرمجيين الذين يرغبون في اكتساب معرفة عميقة وسريعة في هذا المجال. يتناول الكتاب أيضًا تاريخ التعلم العميق، مشيرًا إلى ثلاث موجات رئيسية من التطور: السيبرنتيكا في الأربعينيات إلى الستينيات، الاتصالية في الثمانينيات إلى التسعينيات، والموجة الحالية التي بدأت في عام 2006. كما يناقش الكتاب التحديات التي تواجه التعلم العميق، مثل الحاجة إلى كميات كبيرة من البيانات والبنية التحتية الحاسوبية المتقدمة.
Critical review
دراسة نقدية: الكتاب 'التعلم العميق' هو مرجع شامل ومهم في مجال التعلم العميق، ولكنه قد يكون معقدًا جدًا للمبتدئين الذين ليس لديهم خلفية قوية في الرياضيات أو تعلم الآلة. قد يكون من الأفضل لو تم تضمين المزيد من الأمثلة العملية والتمارين التطبيقية لتسهيل الفهم. بالإضافة إلى ذلك، يمكن أن يكون الكتاب أكثر فائدة إذا تضمن فصولًا مخصصة لتطبيقات محددة في مجالات مثل الطب، الروبوتات، والاقتصاد. بشكل عام، الكتاب يعد إضافة قيمة للمكتبة العلمية ولكنه يتطلب جهدًا كبيرًا من القارئ لفهم المحتوى بشكل كامل.
Questions related to the research
-
ما هي الفئات المستهدفة من هذا الكتاب؟
الكتاب يستهدف طلاب الجامعات (المرحلة الجامعية والدراسات العليا) والمهندسين البرمجيين الذين يرغبون في اكتساب معرفة عميقة وسريعة في مجال التعلم العميق والذكاء الاصطناعي.
-
ما هي الموجات الثلاث الرئيسية لتطور التعلم العميق التي يناقشها الكتاب؟
الموجات الثلاث هي: السيبرنتيكا في الأربعينيات إلى الستينيات، الاتصالية في الثمانينيات إلى التسعينيات، والموجة الحالية التي بدأت في عام 2006.
-
ما هي التحديات الرئيسية التي تواجه التعلم العميق وفقًا للكتاب؟
التحديات الرئيسية تشمل الحاجة إلى كميات كبيرة من البيانات والبنية التحتية الحاسوبية المتقدمة.
-
ما هي الفصول التي يمكن للقراء تخطيها إذا كانوا بالفعل على دراية بالجبر الخطي والاحتمالات والمفاهيم الأساسية لتعلم الآلة؟
القراء الذين لديهم معرفة مسبقة بالجبر الخطي والاحتمالات والمفاهيم الأساسية لتعلم الآلة يمكنهم تخطي الجزء الأول من الكتاب.
References used
No references
rate research
Read More
نعرض في هذا العمل جهودنا في بناء نظام ترجمة باستخدام تقنية التعلم العميق ، ونبين الطريقة التي اتبعناها في تطوير النموذج ، وإضاقة طرق تفيد في تحسين دقة الترجمة من اللغة الإنكليزية إلى اللغة العربية.
Deep learning is at the heart of the current rise of artificial intelligence. In the field of Computer Vision, it has become the workhorse for applications ranging from self-driving cars to surveillance and security. Whereas deep neural networks have
demonstrated phenomenal success (often beyond human capabilities) in solving complex problems, recent studies show that they are vulnerable to adversarial attacks in the form of subtle perturbations to inputs that lead a model to predict incorrect outputs. For images, such perturbations are often too small to be perceptible, yet they completely fool the deep learning models. Adversarial attacks pose a serious threat to the success of deep learning in practice. This fact has recently lead to a large influx of contributions in this direction. This article presents a survey on adversarial attacks on deep learning in Computer Vision. We review the works that design adversarial attacks, analyze the existence of such attacks and propose defenses against them
We consider the task of linking social media accounts that belong to the same author in an automated fashion on the basis of the content and meta-data of the corresponding document streams. We focus on learning an embedding that maps variable-sized s
amples of user activity--ranging from single posts to entire months of activity--to a vector space, where samples by the same author map to nearby points. Our approach does not require human-annotated data for training purposes, which allows us to leverage large amounts of social media content. The proposed model outperforms several competitive baselines under a novel evaluation framework modeled after established recognition benchmarks in other domains. Our method achieves high linking accuracy, even with small samples from accounts not seen at training time, a prerequisite for practical applications of the proposed linking framework.
Active learning has been shown to reduce annotation requirements for numerous natural language processing tasks, including semantic role labeling (SRL). SRL involves labeling argument spans for potentially multiple predicates in a sentence, which mak
es it challenging to aggregate the numerous decisions into a single score for determining new instances to annotate. In this paper, we apply two ways of aggregating scores across multiple predicates in order to choose query sentences with two methods of estimating model certainty: using the neural network's outputs and using dropout-based Bayesian Active Learning by Disagreement. We compare these methods with three passive baselines --- random sentence selection, random whole-document selection, and selecting sentences with the most predicates --- and analyse the effect these strategies have on the learning curve with respect to reducing the number of annotated sentences and predicates to achieve high performance.
The exponential growth of the internet and social media in the past decade gave way to the increase in dissemination of false or misleading information. Since the 2016 US presidential election, the term fake news'' became increasingly popular and thi
s phenomenon has received more attention. In the past years several fact-checking agencies were created, but due to the great number of daily posts on social media, manual checking is insufficient. Currently, there is a pressing need for automatic fake news detection tools, either to assist manual fact-checkers or to operate as standalone tools. There are several projects underway on this topic, but most of them focus on English. This research-in-progress paper discusses the employment of deep learning methods, and the development of a tool, for detecting false news in Portuguese. As a first step we shall compare well-established architectures that were tested in other languages and analyse their performance on our Portuguese data. Based on the preliminary results of these classifiers, we shall choose a deep learning model or combine several deep learning models which hold promise to enhance the performance of our fake news detection system.
suggested questions
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
