ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Beginning with Deep Learning Using TensorFlow: A Beginners Guide to TensorFlow and Keras for Practicing Deep Learning Principles and Applications (English Edition)

دانلود کتاب شروع با یادگیری عمیق با استفاده از TensorFlow: راهنمای مبتدیان برای TensorFlow و Keras برای تمرین اصول و کاربردهای یادگیری عمیق (نسخه انگلیسی)

Beginning with Deep Learning Using TensorFlow: A Beginners Guide to TensorFlow and Keras for Practicing Deep Learning Principles and Applications (English Edition)

مشخصات کتاب

Beginning with Deep Learning Using TensorFlow: A Beginners Guide to TensorFlow and Keras for Practicing Deep Learning Principles and Applications (English Edition)

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9355510470, 9789355510471 
ناشر: BPB Publications 
سال نشر: 2022 
تعداد صفحات: 315 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت 

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 7


در صورت تبدیل فایل کتاب Beginning with Deep Learning Using TensorFlow: A Beginners Guide to TensorFlow and Keras for Practicing Deep Learning Principles and Applications (English Edition) 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 شروع با یادگیری عمیق با استفاده از TensorFlow: راهنمای مبتدیان برای TensorFlow و Keras برای تمرین اصول و کاربردهای یادگیری عمیق (نسخه انگلیسی) 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 شروع با یادگیری عمیق با استفاده از TensorFlow: راهنمای مبتدیان برای TensorFlow و Keras برای تمرین اصول و کاربردهای یادگیری عمیق (نسخه انگلیسی)



راهنمای تمرینی برای TensorFlow و یادگیری عمیق

ویژگی‌های کلیدی

● مجهز به مقدمه لازم برای یادگیری عمیق و هوش مصنوعی.

● شامل دموها و الگوهایی برای شروع خوب پروژه های شما.

● در مورد مهم ترین جنبه های هوش مصنوعی، تصویر و تشخیص گفتار اطلاعات بیشتری پیدا کنید.</ p>

توضیحات

این کتاب شروع می‌شود با پیکربندی یک محیط توسعه Anaconda که برای تمرین فرآیند یادگیری عمیق ضروری است. اصول اولیه یادگیری ماشین، که برای یادگیری عمیق مورد نیاز است، در این کتاب توضیح داده شده است.

TensorFlow کتابخانه استاندارد صنعتی برای یادگیری عمیق است. و در نتیجه، آن را به طور گسترده با هر دو نسخه، 1.x و 2.x پوشش داده شده است. از آنجایی که شبکه‌های عصبی قلب یادگیری عمیق هستند، کتاب آنها را با جزئیات زیاد و سیستماتیک توضیح می‌دهد، که با یک نورون شروع می‌شود و از طریق شبکه‌های عصبی چندلایه عمیق پیشرفت می‌کند. تاکید این کتاب بر کاربرد عملی مفاهیم کلیدی به جای عمیق کردن آنهاست.

پس از ایجاد پایه ای محکم در TensorFlow و شبکه‌های عصبی، این کتاب مفاهیم تشخیص تصویر را با استفاده از شبکه‌های عصبی کانولوشنال (CNN) و به دنبال آن تشخیص گفتار و پردازش زبان طبیعی (NLP) توضیح می‌دهد. علاوه بر این، این کتاب در مورد Transformers، جدیدترین پیشرفت در NLP بحث می کند.

آنچه شما خواهید آموخت

● مدل‌های یادگیری ماشینی برای طبقه‌بندی و رگرسیون ایجاد کنید.

● از TensorFlow استفاده کنید 1.x برای پیاده سازی شبکه های عصبی.

● با Keras API و TensorFlow 2 کار کنید.

< span>● طراحی و آموزش مدل‌های دسته‌بندی تصویر را بیاموزید.

● با استفاده از مدل‌های زبان مبتنی بر ترانسفورماتور، برنامه‌های ترجمه و پرسش و پاسخ بسازید.</ p>

این کتاب برای چه کسی است

این کتاب برای کسانی است که تازه به یادگیری عمیق می پردازند و می خواهند در مورد اصول و کاربردهای آن بیاموزند. قبل از شروع، باید با پایتون آشنا باشید.

فهرست محتوا< span>

1.مقدمه ای بر هوش مصنوعی

2 . یادگیری ماشین

3. برنامه نویسی TensorFlow

4. شبکه های عصبی

5. TensorFlow 2

6. تشخیص تصویر

7. تشخیص گفتار


توضیحاتی درمورد کتاب به خارجی

A Practicing Guide to TensorFlow and Deep Learning

Key Features

● Equipped with a necessary introduction to Deep Learning and AI.

● Includes demos and templates to give your projects a good start.

● Find more on the most important facets of AI, image, and speech recognition.

Description

This book begins with the configuration of an Anaconda development environment, essential for practicing the deep learning process. The basics of machine learning, which are needed for Deep Learning, are explained in this book.

TensorFlow is the industry-standard library for Deep Learning, and thereby, it is covered extensively with both versions, 1.x and 2.x. As neural networks are the heart of Deep Learning, the book explains them in great detail and systematic fashion, beginning with a single neuron and progressing through deep multilayer neural networks. The emphasis of this book is on the practical application of key concepts rather than going in-depth with them.

After establishing a firm basis in TensorFlow and Neural Networks, the book explains the concepts of image recognition using Convolutional Neural Networks (CNN), followed by speech recognition, and natural language processing (NLP). Additionally, this book discusses Transformers, the most recent advancement in NLP.

What you will learn

● Create machine learning models for classification and regression.

● Utilize TensorFlow 1.x to implement neural networks.

● Work with the Keras API and TensorFlow 2.

● Learn to design and train image categorization models.

● Construct translation and Q & A apps using transformer-based language models.

Who this book is for

This book is intended for those new to Deep Learning who want to learn about its principles and applications. Before you begin, you'll need to be familiar with Python.

Table of Contents

1.Introduction to Artificial Intelligence

2. Machine Learning

3. TensorFlow Programming

4. Neural Networks

5. TensorFlow 2

6. Image Recognition

7. Speech Recognition



فهرست مطالب

Cover Page
Title Page
Copyright Page
Dedication Page
About the Author
About the Reviewer
Acknowledgement
Preface
Errata
Table of Contents
1. Introduction to Artificial Intelligence
	Structure
	Objective
	Brief history of artificial intelligence
		Classification of AI
		How did we reach here?
	AI adoption by industries
	Conclusion
	Points to remember
2. Machine Learning
	Introduction
	Structure
	Objectives
	Defining machine learning
		Supervised learning
	Setting up the environment
		Using Google Colab
		Setting up local environment in Python
			Prerequisite
		Regression algorithms
			Code demo
		Multilinear regression
		Logistic regression
		Decision tree
		Support vector machine (SVM)
			Unsupervised learning
	Conclusion
	Questions
3. TensorFlow Programming
	Introduction
	Structure
	Objective
	TensorFlow development environment
	Introducing TensorFlow
		Elements of TensorFlow program
			Constant
			Variable
			Placeholder
			Session
	Constants, variables, and placeholders
		Linear algebra with TensorFlow
		Optimizer
			Applying optimizer to solve simple mathematical problems
	Conclusion
	Questions
4. Neural Networks
	Introduction
	Structure
	Objective
	About Neural Networks
		Inputs
		Weights
		Bias
		Net input function (F)
		Activation function (G)
		MNIST
	MNIST—single layer multi-neuron model
		Multilayer Neural Network
		Multilayer binary classifier
	ReLu activation function
	Multilayer multiclass neural network
	Conclusion
	Questions
5. TensorFlow 2
	Introduction
	Structure
	Objective
	Installing TensorFlow 2
		Using Anaconda Navigator
		From Anaconda command prompt
			Google Colab
		What is new in TensorFlow 2?
		Kera API
	Classification with Iris data set
	Conclusion
	Points to remember
6. Image Recognition
	Introduction
	Structure
	Objective
	Introducing Convolutional Neural Networks (CNN)
		Convolution layer
		MNIST with CNN
		Binary image classification with Keras
	Multiclass image classification
	Load from data frame—binary
	Load from data frame—multiclass
		Save and restore models
	Pre-trained models
		Transfer learning
	Inference with Webcam images
	Object detection
	Conclusion
	Points to remember
7. Speech Recognition
	Introduction
	Structure
	Objective
	What is speech recognition?—Historical perspective
		Application of speech recognition
	Natural Language Processing (NLP)
		Word Embedding
			Language model
	Recurrent Neural Networks (RNN)
	Text classification
		Transformers
			Pre-trained transformer models
		BERT
	Machine language translation
	Q&A—SQUAD
	Conclusion
	Further reading
Index




نظرات کاربران