مشخصات کتاب

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

ویرایش: 1 
نویسندگان: Zacharias Voulgaris. Yunus Emrah Bulut  
سری:  
ISBN (شابک) : 1634624092, 9781634624091 
ناشر: Technics Publications 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : AZW3 (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

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

رویکردها و اصول الگوریتم های هوش مصنوعی (AI) را تسلط داشته باشید و آنها را با کدهای پایتون و جولیا در پروژه های علم 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 جنبه های تجاری هوش مصنوعی در پروژه های علم داده، و یک پیوست در مورد نحوه استفاده از تصویر Docker برای دسترسی به داده ها 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.

فهرست مطالب

Introduction
	About AI
	AI facilitates data science
	About the book
Chapter 1: Deep Learning Frameworks
	About deep learning systems
	How deep learning systems work
	Main deep learning frameworks
	Main deep learning programming languages
	How to leverage deep learning frameworks
	Deep learning methodologies and applications
	Assessing a deep learning framework
	Summary
Chapter 2: AI Methodologies Beyond Deep Learning
	Optimization
	Fuzzy inference systems
	Artificial creativity
	Additional AI methodologies
	Glimpse into the future
	About the methods
	Summary
Chapter 3: Building a DL Network Using MXNet
	Core components
	MXNet in action
	MXNet tips
	Summary
Chapter 4: Building a DL Network Using TensorFlow
	TensorFlow architecture
	Core components
	TensorFlow in action
	Visualization in TensorFlow: TensorBoard
	High level APIs in TensorFlow: Estimators
	Summary
Chapter 5: Building a DL Network Using Keras
	Core components
	Keras in action
	Model Summary and Visualization
	Converting Keras models to TensorFlow Estimators
	Summary
Chapter 6: Building an Optimizer Based on the Particle Swarm Optimization Algorithm
	PSO algorithm
	Main PSO variants
	PSO versus other optimization methods
	PSO implementation in Julia
	PSO in action
	PSO tips
	Summary
Chapter 7: Building an Optimizer Based on Genetic Algorithms
	Standard Genetic Algorithm
	Implementation of GAs in Julia
	GAs in action
	Main variants of GAs
	GA framework tips
	Summary
Chapter 8: Building an Optimizer Based on Simulated Annealing
	Pseudo-code of the Standard Simulated Annealing Algorithm
	Implementation of Simulated Annealing in Julia
	Simulated Annealing in action
	Main Variants of Simulated Annealing
	Simulated Annealing Optimizer tips
	Summary
Chapter 9: Building an Advanced Deep Learning System
	Convolutional Neural Networks (CNNs)
	Recurrent Neural Networks
	Summary
Chapter 10: Building an Optimization Ensemble
	The role of parallelization in optimization ensembles
	Framework of a basic optimization ensemble
	Case study with PSO Systems in an ensemble
	Case study with PSO and Firefly ensemble
	How optimization ensembles fit into the data science pipeline
	Ensemble tips
	Summary
Chapter 11: Alternative AI Frameworks in Data Science
	Extreme Learning Machines (ELMs)
	Capsule Networks (CapsNets)
	Fuzzy logic and fuzzy inference systems
	Summary
Chapter 12: Next Steps
	Big data
	Specializations in data science
	Publicly available datasets
	Summary
Closing Thoughts
Glossary
Transfer Learning
	When is transfer learning useful?
	When to use transfer learning
	How to apply transfer learning
	Applications of transfer learning
Reinforcement Learning
	Key terms
	Reward hypothesis
	Types of tasks
	Reinforcement learning frameworks
Autoencoder Systems
	Components
	Extensions of conventional autoencoder models
	Use cases and applications
Generative Adversarial Networks
	Components
	Training process
	Pain points of a GAN model
The Business Aspect of AI in Data Science Projects
	Description of relevant technologies
	AI resources
	Industries and applications benefiting the most from AI
	Data science education for AI-related projects
Using Docker Image of the Book’s Code and Data
	Downloading the Docker software
	Using Docker with an image file
	Docker tips
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Seeing and Believing: Henry James and the Spiritual World

دانلود کتاب Guidance for the verification and validation of neural networks

دانلود کتاب Carlton World War II in Photographs

دانلود کتاب Identification of physical systems : applications to condition monitoring, fault diagnosis, softsensor, and controller design

دانلود کتاب Silverlight 2 Bible