Polski
Frontiers in Deep Learning: Advanced Models, Training Paradigms, and Open Problems prezentuje kompleksową eksplorację nowych kierunków w uczeniu głębokim, wykraczających poza tradycyjne architektury i metody uczenia. Książka krytycznie analizuje ograniczenia wstecznej propagacji, biologiczną niewiarygodność, nieefektywność pamięci i katastroficzne zapominanie, jednocześnie wprowadzając innowacyjne alternatywy, takie jak kolczaste sieci neuronowe, kodowanie predykcyjne i propagacja równowagi. Obejmuje zaawansowane tematy, takie jak meta-uczenie się, głębokie modele równowagi, architektury transformatorów, grafowe sieci neuronowe, neuro-symboliczna sztuczna inteligencja, samonadzorowane uczenie się, modele dyfuzyjne, skalowalne strategie treningowe i wydajne techniki wnioskowania. Praca kładzie nacisk na uczenie przyczynowe, odporność na przeciwności, kwantyfikację niepewności, wytłumaczalną sztuczną inteligencję i uczenie multimodalne jako podstawowe elementy godnych zaufania i uogólnialnych systemów sztucznej inteligencji. Łącząc podstawy teoretyczne z rzeczywistymi zastosowaniami w opiece zdrowotnej, odkryciach naukowych i automatyzacji, książka przedstawia przyszłościową wizję głębokiego uczenia się, która zmierza w kierunku bardziej adaptacyjnej, interpretowalnej i energooszczędnej sztucznej inteligencji.
