دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب AI for Data Science: Artificial Intelligence Frameworks and Functionality for Deep Learning, Optimization, and Beyond
دانلود کتاب هوش مصنوعی برای علم داده: چارچوب‌های هوش مصنوعی و عملکرد برای یادگیری عمیق، بهینه‌سازی و فراتر از آن
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
قیمت کتاب (تومان) : 60,000
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
