برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Applied Deep Learning with Python

دانلود کتاب آموزش عمیق کاربردی با پایتون

مشخصات کتاب

Applied Deep Learning with Python

دسته بندی: آمار ریاضی
ویرایش:  
نویسندگان: Alex Galea. Luis Capelo  
سری:  
ISBN (شابک) : 9781789804744 
ناشر: Packt Publishing 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 34 مگابایت

قیمت کتاب (تومان) : 34,000

کلمات کلیدی مربوط به کتاب آموزش عمیق کاربردی با پایتون: یادگیری عمیق، پایتون، تنسورفلو، کراس، شبکه های عصبی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 11

در صورت تبدیل فایل کتاب Applied Deep Learning with Python 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 آموزش عمیق کاربردی با پایتون 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 آموزش عمیق کاربردی با پایتون

با اتخاذ رویکردی که از آخرین پیشرفت‌ها در اکوسیستم پایتون استفاده می‌کند، ابتدا از طریق اکوسیستم Jupyter، کتابخانه‌های تجسم کلیدی و تکنیک‌های قدرتمند پاک‌سازی داده‌ها قبل از آموزش اولین مدل پیش‌بینی خود راهنمایی خواهید شد. ما انواع روش‌های طبقه‌بندی مانند شبکه‌های بردار پشتیبان، جنگل‌های تصمیم تصادفی و k-نزدیک‌ترین همسایه‌ها را بررسی می‌کنیم تا قبل از حرکت به قلمرو پیچیده‌تر، درک شما را ایجاد کنیم. اشکالی ندارد اگر این اصطلاحات بسیار زیاد به نظر می رسند. ما به شما نشان خواهیم داد که چگونه آنها را به کار بگیرید. ما بر پوشش طبقه بندی خود با نگاهی گذرا به خراش دادن وب اخلاقی و تجسم های تعاملی برای کمک به شما در جمع آوری و ارائه تحلیل های خود به صورت حرفه ای ایجاد خواهیم کرد. پس از این است که ما شروع به ساختن برنامه یادگیری عمیق کیستون خود می کنیم، برنامه ای که هدف آن پیش بینی قیمت آینده بیت کوین بر اساس داده های عمومی تاریخی است. با راهنمایی شما از طریق یک شبکه عصبی آموزش‌دیده، معماری‌های رایج شبکه‌های یادگیری عمیق (کانولوشنال، مکرر، حریف مولد) را بررسی می‌کنیم و قبل از بهینه‌سازی و ارزیابی مدل، به یادگیری تقویتی عمیق منشعب می‌شویم. ما همه این کارها را در حالی انجام خواهیم داد که روی یک برنامه وب آماده تولید کار کنیم که Tensorflow و Keras را برای ایجاد یک نتیجه کاربرپسند معنی‌دار ترکیب می‌کند و شما را با تمام مهارت‌هایی که برای مقابله و توسعه پروژه‌های یادگیری عمیق در دنیای واقعی خود نیاز دارید، در اختیار شما قرار می‌دهد. با اطمینان و موثر

توضیحاتی درمورد کتاب به خارجی

Taking an approach that uses the latest developments in the Python ecosystem, you’ll first be guided through the Jupyter ecosystem, key visualization libraries and powerful data sanitization techniques before we train our first predictive model. We’ll explore a variety of approaches to classification like support vector networks, random decision forests and k-nearest neighbours to build out your understanding before we move into more complex territory. It’s okay if these terms seem overwhelming; we’ll show you how to put them to work. We’ll build upon our classification coverage by taking a quick look at ethical web scraping and interactive visualizations to help you professionally gather and present your analysis. It’s after this that we start building out our keystone deep learning application, one that aims to predict the future price of Bitcoin based on historical public data. By guiding you through a trained neural network, we’ll explore common deep learning network architectures (convolutional, recurrent, generative adversarial) and branch out into deep reinforcement learning before we dive into model optimization and evaluation. We’ll do all of this whilst working on a production-ready web application that combines Tensorflow and Keras to produce a meaningful user-friendly result, leaving you with all the skills you need to tackle and develop your own real-world deep learning projects confidently and effectively.

فهرست مطالب

1 Jupyter Fundamentals
2 Data Cleaning and Advanced Machine Learning
3 Web Scraping and Interactive Visualizations
4 Introduction to Neural Networks and Deep Learning
5 Model Architecture
6 Model Evaluation and Optimization
7 Productization
A Appendix A: Other Books You May Enjoy
A Appendix B: Index