دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Mohan Kumar Silaparasetty
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
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.
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
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
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