دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1st ed. 2021] نویسندگان: Kolla Bhanu Prakash (editor), Ramani Kannan (editor), S.Albert Alexander (editor), G. R. Kanagachidambaresan (editor) سری: ISBN (شابک) : 3030665186, 9783030665180 ناشر: Springer سال نشر: 2021 تعداد صفحات: 302 [293] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 Mb
در صورت تبدیل فایل کتاب Advanced Deep Learning for Engineers and Scientists: A Practical Approach (EAI/Springer Innovations in Communication and Computing) به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق پیشرفته برای مهندسان و دانشمندان: یک رویکرد عملی (نوآوری های EAI/Springer در ارتباطات و محاسبات) نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب یک تصویر کامل از مفاهیم یادگیری عمیق با نمونههای موردی و مثالهای عملی مفید برای کاربردهای بلادرنگ ارائه میدهد. این کتاب طیف گسترده ای از موضوعات را در یادگیری عمیق معرفی می کند. نویسندگان با مبانی، معماری ها، ابزارهای مورد نیاز برای اجرای موثر برای دانشمندان شروع می کنند. آنها سپس با استفاده از Keras، Tensorflow، Pytorch و Python، با یادگیری عمیق آشنا میشوند. آنها با مفاهیم پیشرفته با جلسات عملی برای یادگیری عمیق ادامه می دهند. مهندسان، دانشمندان، پژوهشگرانی که به دنبال رویکردی عملی برای یادگیری عمیق هستند از این کتاب لذت خواهند برد.
This book provides a complete illustration of deep learning concepts with case-studies and practical examples useful for real time applications. This book introduces a broad range of topics in deep learning. The authors start with the fundamentals, architectures, tools needed for effective implementation for scientists. They then present technical exposure towards deep learning using Keras, Tensorflow, Pytorch and Python. They proceed with advanced concepts with hands-on sessions for deep learning. Engineers, scientists, researches looking for a practical approach to deep learning will enjoy this book.