دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Artificial Intelligence with Python Cookbook: Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow 2.x and PyTorch 1.6
دانلود کتاب هوش مصنوعی با کتاب آشپزی پایتون: دستور العمل های اثبات شده برای استفاده از الگوریتم های هوش مصنوعی و تکنیک های یادگیری عمیق با استفاده از TensorFlow 2.x و PyTorch 1.6
مشخصات کتاب
Artificial Intelligence with Python Cookbook: Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow 2.x and PyTorch 1.6
ویرایش:
نویسندگان: Ben Auffarth
سری:
ISBN (شابک) : 9781789133967
ناشر: Packt Publishing
سال نشر: 2020
تعداد صفحات: [459]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 14 Mb
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Artificial Intelligence with Python Cookbook: Proven recipes for applying AI algorithms and deep learning techniques using TensorFlow 2.x and PyTorch 1.6 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 با کتاب آشپزی پایتون: دستور العمل های اثبات شده برای استفاده از الگوریتم های هوش مصنوعی و تکنیک های یادگیری عمیق با استفاده از TensorFlow 2.x و PyTorch 1.6 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 با کتاب آشپزی پایتون: دستور العمل های اثبات شده برای استفاده از الگوریتم های هوش مصنوعی و تکنیک های یادگیری عمیق با استفاده از TensorFlow 2.x و PyTorch 1.6
با دستور العمل های عملی کار کنید تا یاد بگیرید چگونه مشکلات پیچیده یادگیری ماشینی و یادگیری عمیق را با استفاده از ویژگی های کلیدی Python حل کنید با هوش مصنوعی در کمترین زمان و با استفاده از دستور العمل های حل مسئله عمل کنید کتابخانه ها و ابزارهای محبوب Python را برای ایجاد راه حل های هوش مصنوعی برای تصاویر کاوش کنید. ، متن، صداها و تصاویر پیاده سازی NLP، یادگیری تقویتی، یادگیری عمیق، GAN ها، جستجوی درخت مونت کارلو، و بسیاری موارد دیگر شرح کتاب هوش مصنوعی (AI) نقش مهمی در خودکارسازی حل مسئله ایفا می کند. این شامل پیش‌بینی و طبقه‌بندی داده‌ها و آموزش عوامل برای اجرای موفقیت‌آمیز وظایف است. این کتاب به شما می آموزد که چگونه مسائل پیچیده را با کمک دستور العمل های مستقل و روشنگر حل کنید، از موارد ضروری تا روش های پیشرفته که به تازگی از تحقیقات بیرون آمده اند. هوش مصنوعی با کتاب آشپزی پایتون با نشان دادن نحوه راه‌اندازی محیط پایتون و آشنا کردن شما با اصول اکتشاف داده شروع می‌شود. با حرکت رو به جلو، می‌توانید تکنیک‌های جستجوی اکتشافی و الگوریتم‌های ژنتیک را پیاده‌سازی کنید. علاوه بر این، شما از مدل های احتمالی، بهینه سازی محدودیت ها و یادگیری تقویتی استفاده خواهید کرد. همانطور که در کتاب پیش می روید، مدل های یادگیری عمیق را برای متن، تصاویر، ویدیو و صدا می سازید و سپس به تعصب الگوریتمی، انتقال سبک، تولید موسیقی و موارد استفاده از هوش مصنوعی در صنایع مراقبت های بهداشتی و بیمه می پردازید. در سرتاسر کتاب، با ابزارهای مختلفی برای حل مسئله آشنا می‌شوید و دانش لازم برای نزدیک شدن مؤثر به مسائل پیچیده را به دست خواهید آورد. در پایان این کتاب در مورد هوش مصنوعی، مهارت‌های لازم برای نوشتن الگوریتم‌های هوش مصنوعی و یادگیری ماشین، آزمایش آن‌ها و به کارگیری آن‌ها برای تولید را خواهید داشت. آنچه خواهید آموخت پیاده سازی مراحل پیش پردازش داده ها و بهینه سازی فراپارامترهای مدل در یادگیری نمایشی با رمزگذارهای خودکار متخاصم استفاده کنید از یادگیری فعال، توصیه کننده ها، جاسازی دانش، و حل کننده های SAT استفاده کنید. و تولید متن و موسیقی استفاده از الگوریتم‌های گروهی، سیستم‌های چند عاملی و شبکه‌های نموداری با استفاده از مدل‌ها به‌عنوان ریزسرویس‌ها از اثبات مفهوم به تولید بروید. درک نحوه استفاده از هوش مصنوعی مدرن در عمل این کتاب برای چه کسی است. این کتاب یادگیری ماشینی هوش مصنوعی است. برای توسعه دهندگان پایتون، دانشمندان داده، مهندسان یادگیری ماشین، و متخصصان یادگیری عمیق که می خواهند یاد بگیرند که چگونه راه حل های هوش مصنوعی را با دستور العمل های ساده دنبال کنند. اگر به دنبال راه حل های پیشرفته برای انجام وظایف مختلف یادگیری ماشینی در موارد استفاده مختلف هستید، این کتاب برای شما مفید خواهد بود. دانش اولیه زبان برنامه نویسی پایتون و مفاهیم یادگیری ماشین به شما کمک می کند تا در این کتاب به طور موثر با کد کار کنید.
توضیحاتی درمورد کتاب به خارجی
Work through practical recipes to learn how to solve complex machine learning and deep learning problems using Python Key features Get up and running with artificial intelligence in no time using hands-on problem-solving recipes Explore popular Python libraries and tools to build AI solutions for images, text, sounds, and images Implement NLP, reinforcement learning, deep learning, GANs, Monte-Carlo tree search, and much more Book Description Artificial intelligence (AI) plays an integral role in automating problem-solving. This involves predicting and classifying data and training agents to execute tasks successfully. This book will teach you how to solve complex problems with the help of independent and insightful recipes ranging from the essentials to advanced methods that have just come out of research. Artificial Intelligence with Python Cookbook starts by showing you how to set up your Python environment and taking you through the fundamentals of data exploration. Moving ahead, you\'ll be able to implement heuristic search techniques and genetic algorithms. In addition to this, you\'ll apply probabilistic models, constraint optimization, and reinforcement learning. As you advance through the book, you\'ll build deep learning models for text, images, video, and audio, and then delve into algorithmic bias, style transfer, music generation, and AI use cases in the healthcare and insurance industries. Throughout the book, you\'ll learn about a variety of tools for problem-solving and gain the knowledge needed to effectively approach complex problems. By the end of this book on AI, you will have the skills you need to write AI and machine learning algorithms, test them, and deploy them for production. What you will learn Implement data preprocessing steps and optimize model hyperparameters Delve into representational learning with adversarial autoencoders Use active learning, recommenders, knowledge embedding, and SAT solvers Get to grips with probabilistic modeling with TensorFlow probability Run object detection, text-to-speech conversion, and text and music generation Apply swarm algorithms, multi-agent systems, and graph networks Go from proof of concept to production by deploying models as microservices Understand how to use modern AI in practice Who this book is for This AI machine learning book is for Python developers, data scientists, machine learning engineers, and deep learning practitioners who want to learn how to build artificial intelligence solutions with easy-to-follow recipes. You\'ll also find this book useful if you\'re looking for state-of-the-art solutions to perform different machine learning tasks in various use cases. Basic working knowledge of the Python programming language and machine learning concepts will help you to work with code effectively in this book.
فهرست مطالب
Cover Title Page Copyright and Credits About Packt Contributors Table of Contents Preface Chapter 1: Getting Started with Artificial Intelligence in Python Technical requirements Setting up a Jupyter environment Getting ready How to do it... Installing libraries with Google Colab Self-hosting a Jupyter Notebook environment How it works... There's more... See also Getting proficient in Python for AI Getting ready How to do it... Obtaining the history of Jupyter commands and outputs Execution history Outputs Auto-reloading packages Debugging Timing code execution Displaying progress bars Compiling your code Speeding up pandas DataFrames Parallelizing your code See also Classifying in scikit-learn, Keras, and PyTorch Getting ready How to do it... Visualizing data in seaborn Modeling in scikit-learn Modeling in Keras Modeling in PyTorch How it works... Neural network training The SELU activation function Softmax activation Cross-entropy See also Modeling with Keras Getting ready How to do it... Data loading and preprocessing Model training How it works... Maximal information coefficient Data generators Permutation importance See also Chapter 2: Advanced Topics in Supervised Machine Learning Technical requirements Transforming data in scikit-learn Getting ready How to do it... Encoding ranges numerically Deriving higher-order features Combining transformations How it works... There's more... See also Predicting house prices in PyTorch Getting ready How to do it... How it works... There's more... See also Live decisioning customer values Getting ready How to do it... How it works... Active learning Hoeffding Tree Class weighting See also Battling algorithmic bias Getting ready How to do it... How it works... There's more... See also Forecasting CO2 time series Getting ready How to do it... Analyzing time series using ARIMA and SARIMA How it works... There's more... See also Chapter 3: Patterns, Outliers, and Recommendations Clustering market segments Getting ready How to do it... How it works... There's more... See also Discovering anomalies Getting ready How to do it... How it works... k-nearest neighbors Isolation forest Autoencoder See also Representing for similarity search Getting ready How to do it... Baseline – string comparison functions Bag-of-characters approach Siamese neural network approach How it works... Recommending products Getting ready How to do it... How it works... Precision at k Matrix factorization The lightfm model See also Spotting fraudster communities Getting ready How to do it... Creating an adjacency matrix Community detection algorithms Evaluating the communities How it works... Graph community algorithms Louvain algorithm Girvan–Newman algorithm Information entropy There's more... See also Chapter 4: Probabilistic Modeling Technical requirements Predicting stock prices with confidence Getting ready How to do it... How it works... Featurization Platt scaling Isotonic regression Naive Bayes See also Estimating customer lifetime value Getting ready How to do it... How it works... The BG/NBD model The Gamma-Gamma model See also Diagnosing a disease Getting ready How to do it... How it works... Aleatoric uncertainty Negative log-likelihood Bernoulli distribution Metrics See also Stopping credit defaults Getting ready How to do it... How it works... Epistemic uncertainty See also Chapter 5: Heuristic Search Techniques and Logical Inference Making decisions based on knowledge Getting ready How to do it... Logical reasoning Knowledge embedding How it works... Logical reasoning Logic provers Knowledge embedding Graph embedding with Walklets See also Solving the n-queens problem Getting ready How to do it... Genetic algorithm Particle swarm optimization SAT solver How it works... Genetic algorithm Particle swarm optimization SAT solver See also Finding the shortest bus route Getting ready How to do it... Simulated annealing Ant colony optimization How it works... Simulated annealing Ant colony optimization See also Simulating the spread of a disease Getting ready How to do it... How it works... There's more... See also Writing a chess engine with Monte Carlo tree search Getting ready How to do it... Tree search Implementing a node Playing chess How it works... There's more... See also Chapter 6: Deep Reinforcement Learning Technical requirements Optimizing a website How to do it... How it works... See also Controlling a cartpole Getting ready How to do it... How it works... There's more... Watching our agents in the environment Using the RLlib library See also Playing blackjack Getting ready How to do it... How it works... See also Chapter 7: Advanced Image Applications Technical requirements Recognizing clothing items Getting ready How to do it... Difference of Gaussians Multilayer perceptron LeNet5 MobileNet transfer learning How it works... Difference of Gaussian LeNet5 MobileNet transfer learning See also Generating images Getting ready How to do it... How it works... See also Encoding images and style Getting ready How to do it... How it works... See also Chapter 8: Working with Moving Images Technical requirements Localizing objects Getting ready How to do it... How it works... There's more... See also Faking videos Getting ready How to do it... How it works... See also Deep fakes Detection of deep fakes Chapter 9: Deep Learning in Audio and Speech Technical requirements Recognizing voice commands Getting ready How to do it... How it works... See also Synthesizing speech from text Getting ready How to do it... How it works... Deep Convolutional Networks with Guided Attention WaveGAN There's more... See also Generating melodies Getting ready How to do it... How it works... See also Chapter 10: Natural Language Processing Technical requirements Classifying newsgroups Getting ready How to do it... Bag-of-words Word embeddings Custom word embeddings How it works... The CBOW algorithm TFIDF There's more... See also Chatting to users Getting ready How to do it... How it works... ELIZA Eywa See also Translating a text from English to German Getting ready How to do it... How it works... There's more... See also Writing a popular novel Getting ready How to do it... How it works... See also Chapter 11: Artificial Intelligence in Production Technical requirements Visualizing model results Getting ready How to do it... Streamlit hello-world Creating our data app How it works... See also Serving a model for live decisioning Getting ready How to do it... How it works... Monitoring See also Securing a model against attack Getting ready How to do it... How it works... Differential privacy Private aggregation of teacher ensembles See also Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Annotated Checklist of Bird and Mammal Species of Cocha Cashu, Biological Station, Manu National Park, Peru
دانلود کتاب ذاتوں کا انسائیکلوپیڈیا
