Applied Neural Networks with TensorFlow 2: API Oriented Deep Learning with Python

برنامه‌های یادگیری عمیق را با استفاده از TensorFlow پیاده‌سازی کنید، در حالی که «چرا» را از طریق توضیحات مفهومی عمیق یاد می‌گیرید.
شما با یادگیری آنچه که یادگیری عمیق نسبت به سایر مدل‌های یادگیری ماشینی ارائه می‌دهد شروع خواهید کرد. سپس با چندین فناوری مورد استفاده برای ایجاد مدل های یادگیری عمیق آشنا شوید. در حالی که برخی از این فناوری‌ها مکمل یکدیگر هستند، مانند Pandas، Scikit-Learn، و Numpy، برخی دیگر رقبا هستند، مانند PyTorch، Caffe، و Theano. این کتاب جایگاه یادگیری عمیق و تنسورفلو را در میان همتایان خود روشن می کند.
سپس روی مدل‌های یادگیری عمیق نظارت شده کار می‌کنید تا تجربه کاربردی با این فناوری به دست آورید. یک لایه تک لایه از پرسپترون های متعدد برای ساخت یک شبکه عصبی کم عمق قبل از تبدیل آن به یک شبکه عصبی عمیق استفاده خواهد شد. پس از نمایش ساختار ANN ها، یک برنامه کاربردی واقعی با Tensorflow 2.0 Keras API ایجاد می شود. در مرحله بعد، روی روش‌های افزایش داده و نرمال‌سازی دسته‌ای کار خواهید کرد. سپس، مجموعه داده Fashion MNIST برای آموزش یک CNN استفاده خواهد شد. مدل های از پیش آموزش دیده CIFAR10 و Imagenet برای ایجاد CNN های پیشرفته از قبل بارگذاری می شوند.
در نهایت، به برنامه های نظری و یادگیری بدون نظارت با رمزگذارهای خودکار و یادگیری تقویتی با مدل های tf-agent بروید. با این کتاب، شما به کارکردهای عملی یادگیری عمیق کاربردی می پردازید و دانش زیادی در مورد نحوه استفاده موثر از TensorFlow ایجاد می کنید.
آنچه یاد خواهید گرفت

• مقایسه با رقابت فناوری‌ها و ببینید چرا TensorFlow محبوب‌تر است
  
• تولید متن، تصویر یا صدا با GAN‌ها
  
• پیش‌بینی رتبه یا اولویتی که کاربر به یک مورد می‌دهد< br>
• توالی داده ها با شبکه های عصبی مکرر

Implement deep learning applications using TensorFlow while learning the “why” through in-depth conceptual explanations.
You’ll start by learning what deep learning offers over other machine learning models. Then familiarize yourself with several technologies used to create deep learning models. While some of these technologies are complementary, such as Pandas, Scikit-Learn, and Numpy—others are competitors, such as PyTorch, Caffe, and Theano. This book clarifies the positions of deep learning and Tensorflow among their peers.
You'll then work on supervised deep learning models to gain applied experience with the technology. A single-layer of multiple perceptrons will be used to build a shallow neural network before turning it into a deep neural network. After showing the structure of the ANNs, a real-life application will be created with Tensorflow 2.0 Keras API. Next, you’ll work on data augmentation and batch normalization methods. Then, the Fashion MNIST dataset will be used to train a CNN. CIFAR10 and Imagenet pre-trained models will be loaded to create already advanced CNNs.
Finally, move into theoretical applications and unsupervised learning with auto-encoders and reinforcement learning with tf-agent models. With this book, you’ll delve into applied deep learning practical functions and build a wealth of knowledge about how to use TensorFlow effectively.
What You'll Learn

• Compare competing technologies and see why TensorFlow is more popular
  
• Generate text, image, or sound with GANs
  
• Predict the rating or preference a user will give to an item
  
• Sequence data with recurrent neural networks