مشخصات کتاب

AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond

ویرایش:  
نویسندگان: Zacharias Voulgaris PhD & Yunus Emrah Bulut [Voulgaris,  Zacharias PhD & Bulut,  Yunus Emrah]  
سری:  
ISBN (شابک) : 9781634624114 
ناشر: Technics Publications 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 948 کیلوبایت 

در صورت تبدیل فایل کتاب AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond 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 هوش مصنوعی برای علم داده: چارچوب‌های هوش مصنوعی و عملکرد برای یادگیری عمیق، بهینه‌سازی و فراتر از آن 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.

توضیحاتی در مورد کتاب هوش مصنوعی برای علم داده: چارچوب‌های هوش مصنوعی و عملکرد برای یادگیری عمیق، بهینه‌سازی و فراتر از آن

به رویکردها و اصول الگوریتم های هوش مصنوعی (AI) تسلط داشته باشید و آنها را با کدهای پایتون و جولیا در پروژه های علوم داده اعمال کنید. متخصصان علم داده و هوش مصنوعی مشتاق و تمرین‌کننده، همراه با برنامه‌نویسان پایتون و جولیا، الگوریتم‌های هوش مصنوعی متعددی را تمرین می‌کنند و درک جامع‌تری از حوزه هوش مصنوعی ایجاد می‌کنند و یاد می‌گیرند که چه زمانی از هر چارچوب برای مقابله با پروژه‌ها در دنیای پیچیده‌تر ما استفاده کنند. دو فصل اول این زمینه را معرفی می‌کند، با فصل 1 بررسی مدل‌های یادگیری عمیق و فصل 2 مروری بر الگوریتم‌های فراتر از یادگیری عمیق، از جمله بهینه‌سازی، منطق فازی، و خلاقیت مصنوعی ارائه می‌دهد. فصل های بعدی بر چارچوب های هوش مصنوعی تمرکز دارند. آنها حاوی داده ها و کدهای پایتون و جولیا در Docker ارائه شده هستند، بنابراین می توانید تمرین کنید. فصل 3 MXNet Apache را پوشش می دهد، فصل 4 TensorFlow را پوشش می دهد و فصل 5 Keras را بررسی می کند. پس از پوشش این چارچوب‌های یادگیری عمیق، یک سری از چارچوب‌های بهینه‌سازی را بررسی می‌کنیم که در فصل 6 بهینه‌سازی ازدحام ذرات (PSO)، فصل 7 در مورد الگوریتم‌های ژنتیک (GAs) و فصل 8 در مورد بازپخت شبیه‌سازی شده (SA) بحث می‌شود. فصل 9 کاوش روش‌های پیشرفته هوش مصنوعی را با پوشش شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی تکراری (RNN) آغاز می‌کند. فصل 10 مجموعه‌های بهینه‌سازی و اینکه چگونه می‌توانند به خط لوله علم داده‌ها ارزش بیافزایند، بحث می‌کند. فصل 11 شامل چندین چارچوب هوش مصنوعی از جمله ماشین‌های یادگیری شدید (ELM)، شبکه‌های کپسولی (CapsNets) و سیستم‌های استنتاج فازی (FIS) است. فصل 12 سایر ملاحظات تکمیلی موضوعات تحت پوشش هوش مصنوعی، از جمله مفاهیم کلان داده، حوزه های تخصصی علم داده، و منابع داده مفید برای آزمایش را پوشش می دهد. یک واژه نامه جامع و همچنین مجموعه ای از ضمائم شامل آموزش انتقال، یادگیری تقویتی، سیستم های رمزگذار خودکار، و شبکه های متخاصم مولد گنجانده شده است. همچنین یک ضمیمه در مورد جنبه‌های تجاری هوش مصنوعی در پروژه‌های علم داده، و پیوستی در مورد نحوه استفاده از تصویر Docker برای دسترسی به داده‌ها و کد کتاب وجود دارد. حوزه هوش مصنوعی گسترده است و می تواند برای تازه واردان بسیار طاقت فرسا باشد. این کتاب شما را با درک کاملی از این زمینه مسلح می کند، به علاوه شما را برای کاوش بیشتر تشویق می کند.

توضیحاتی درمورد کتاب به خارجی

Master the approaches and principles of Artificial Intelligence (AI) algorithms, and apply them to Data Science projects with Python and Julia code. Aspiring and practicing Data Science and AI professionals, along with Python and Julia programmers, will practice numerous AI algorithms and develop a more holistic understanding of the field of AI, and will learn when to use each framework to tackle projects in our increasingly complex world.   The first two chapters introduce the field, with Chapter 1 surveying Deep Learning models and Chapter 2 providing an overview of algorithms beyond Deep Learning, including Optimization, Fuzzy Logic, and Artificial Creativity. The next chapters focus on AI frameworks; they contain data and Python and Julia code in a provided Docker, so you can practice. Chapter 3 covers Apache’s MXNet, Chapter 4 covers TensorFlow, and Chapter 5 investigates Keras. After covering these Deep Learning frameworks, we explore a series of optimization frameworks, with Chapter 6 covering Particle Swarm Optimization (PSO), Chapter 7 on Genetic Algorithms (GAs), and Chapter 8 discussing Simulated Annealing (SA). Chapter 9 begins our exploration of advanced AI methods, by covering Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs). Chapter 10 discusses optimization ensembles and how they can add value to the Data Science pipeline. Chapter 11 contains several alternative AI frameworks including Extreme Learning Machines (ELMs), Capsule Networks (CapsNets), and Fuzzy Inference Systems (FIS). Chapter 12 covers other considerations complementary to the AI topics covered, including Big Data concepts, Data Science specialization areas, and useful data resources to experiment on. A comprehensive glossary is included, as well as a series of appendices covering Transfer Learning, Reinforcement Learning, Autoencoder Systems, and Generative Adversarial Networks. There is also an appendix on the business aspects of AI in data science projects, and an appendix on how to use the Docker image to access the book’s data and code. The field of AI is vast, and can be overwhelming for the newcomer to approach. This book will arm you with a solid understanding of the field, plus inspire you to explore further.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Bright Signals: A History of Color Television

دانلود کتاب One Goal: A Coach, a Team, and the Game That Brought a Divided Town Together

دانلود کتاب UNIGRAPHICS NX5 — kurz und bundig: Grundlagen fur Einsteiger

دانلود کتاب Die Morphologie des urgermanischen Nomens

دانلود کتاب Filosofia greaca pana la Platon, vol. I partea II