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 Data Science in Production: Building Scalable Model Pipelines with Python

دانلود کتاب علم داده در تولید: ساخت خطوط لوله مدل مقیاس پذیر با پایتون

Data Science in Production: Building Scalable Model Pipelines with Python

مشخصات کتاب

Data Science in Production: Building Scalable Model Pipelines with Python

دسته بندی: برنامه نويسي
ویرایش: First 
نویسندگان:   
سری:  
ISBN (شابک) : 9781617294433, 9781449358624 
ناشر: Independently published 
سال نشر: 2020 
تعداد صفحات: 234 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 50,000



کلمات کلیدی مربوط به کتاب علم داده در تولید: ساخت خطوط لوله مدل مقیاس پذیر با پایتون: علم داده، تولید



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 21


در صورت تبدیل فایل کتاب Data Science in Production: Building Scalable Model Pipelines 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 علم داده در تولید: ساخت خطوط لوله مدل مقیاس پذیر 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 علم داده در تولید: ساخت خطوط لوله مدل مقیاس پذیر با پایتون

خلاصه آموزش عمیق با پایتون زمینه یادگیری عمیق را با استفاده از زبان پایتون و کتابخانه قدرتمند Keras معرفی می کند. این کتاب که توسط خالق Keras و محقق هوش مصنوعی گوگل، فرانسوا شولت نوشته شده است، درک شما را از طریق توضیحات بصری و مثال های عملی ایجاد می کند. خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات منینگ است. درباره فناوری یادگیری ماشینی در سال های اخیر پیشرفت قابل توجهی داشته است. ما از تشخیص گفتار و تصویر تقریباً غیرقابل استفاده به دقت تقریباً انسانی رسیدیم. ما از ماشین هایی که نمی توانستند یک بازیکن جدی Go را شکست دهند، به شکست دادن یک قهرمان جهان رسیدیم. در پس این پیشرفت، یادگیری عمیق وجود دارد - ترکیبی از پیشرفت‌های مهندسی، بهترین شیوه‌ها، و تئوری که تعداد زیادی از برنامه‌های کاربردی هوشمند را که قبلا غیرممکن بودند، ممکن می‌سازد. درباره کتاب آموزش عمیق با پایتون زمینه یادگیری عمیق با استفاده از زبان پایتون و کتابخانه قدرتمند Keras را معرفی می کند. این کتاب که توسط خالق Keras و محقق هوش مصنوعی گوگل، فرانسوا شولت نوشته شده است، درک شما را از طریق توضیحات بصری و مثال های عملی ایجاد می کند. شما مفاهیم چالش برانگیز و تمرین را با برنامه های کاربردی در بینایی کامپیوتر، پردازش زبان طبیعی و مدل های مولد کشف خواهید کرد. تا پایان کار، دانش و مهارت های عملی برای اعمال یادگیری عمیق در پروژه های خود را خواهید داشت. یادگیری عمیق از اصول اولیه چیست راه‌اندازی محیط یادگیری عمیق مدل‌های طبقه‌بندی تصویر یادگیری عمیق برای متن و دنباله‌ها انتقال سبک عصبی، تولید متن و تولید تصویر درباره Reader خوانندگان به مهارت‌های پایتون متوسط ​​نیاز دارند. هیچ تجربه قبلی با Keras، TensorFlow یا یادگیری ماشین لازم نیست. درباره نویسنده François Chollet روی یادگیری عمیق در Google در Mountain View، CA کار می کند. او خالق کتابخانه یادگیری عمیق Keras و همچنین مشارکت کننده در چارچوب یادگیری ماشینی TensorFlow است. او همچنین تحقیقات یادگیری عمیق را با تمرکز بر بینایی کامپیوتر و کاربرد یادگیری ماشین در استدلال رسمی انجام می دهد. مقالات او در کنفرانس‌های بزرگ در این زمینه، از جمله کنفرانس بینایی کامپیوتری و تشخیص الگو (CVPR)، کنفرانس و کارگاه سیستم‌های پردازش اطلاعات عصبی (NIPS)، کنفرانس بین‌المللی نمایش‌های یادگیری (ICLR) و غیره منتشر شده است. . فهرست مطالب بخش 1 - مبانی یادگیری عمیق یادگیری عمیق چیست؟ قبل از شروع: بلوک‌های ساختمان ریاضی شبکه‌های عصبی شروع با شبکه‌های عصبی مبانی یادگیری ماشینی بخش 2 - یادگیری عمیق در عمل یادگیری عمیق برای بینایی کامپیوتر یادگیری عمیق برای متن و توالی بهترین شیوه‌های یادگیری عمیق پیشرفته نتیجه‌گیری یادگیری عمیق مولد ضمیمه A - نصب Keras و وابستگی‌های آن به ضمیمه B اوبونتو - اجرای نوت‌بوک‌های Jupyter بر روی یک نمونه GPU EC2


توضیحاتی درمورد کتاب به خارجی

Summary Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher Fran�ois Chollet, this book builds your understanding through intuitive explanations and practical examples. Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the Technology Machine learning has made remarkable progress in recent years. We went from near-unusable speech and image recognition, to near-human accuracy. We went from machines that couldn't beat a serious Go player, to defeating a world champion. Behind this progress is deep learning--a combination of engineering advances, best practices, and theory that enables a wealth of previously impossible smart applications. About the Book Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher Fran�ois Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects. What's Inside Deep learning from first principles Setting up your own deep-learning environment Image-classification models Deep learning for text and sequences Neural style transfer, text generation, and image generation About the Reader Readers need intermediate Python skills. No previous experience with Keras, TensorFlow, or machine learning is required. About the Author Fran�ois Chollet works on deep learning at Google in Mountain View, CA. He is the creator of the Keras deep-learning library, as well as a contributor to the TensorFlow machine-learning framework. He also does deep-learning research, with a focus on computer vision and the application of machine learning to formal reasoning. His papers have been published at major conferences in the field, including the Conference on Computer Vision and Pattern Recognition (CVPR), the Conference and Workshop on Neural Information Processing Systems (NIPS), the International Conference on Learning Representations (ICLR), and others. Table of Contents PART 1 - FUNDAMENTALS OF DEEP LEARNING What is deep learning? Before we begin: the mathematical building blocks of neural networks Getting started with neural networks Fundamentals of machine learning PART 2 - DEEP LEARNING IN PRACTICE Deep learning for computer vision Deep learning for text and sequences Advanced deep-learning best practices Generative deep learning Conclusions appendix A - Installing Keras and its dependencies on Ubuntu appendix B - Running Jupyter notebooks on an EC2 GPU instance



فهرست مطالب

Chapter 1: The Machine Learning Landscape
Chapter 2: End-to-End Machine Learning Project
Chapter 3: Classification
Chapter 4: Training Linear Models
Chapter 5: Support Vector Machines
Chapter 6: Decision Trees
Chapter 7: Ensemble Learning and Random Forests
Chapter 8: Dimensionality Reduction
Chapter 9: Up and Running with TensorFlow
Chapter 10: Introduction to Artificial Neural Networks
Chapter 11: Training Deep Neural Nets
Chapter 12: Distributing TensorFlow Across Devices and Servers
Chapter 13: Convolutional Neural Networks
Chapter 14: Recurrent Neural Networks
Chapter 15: Autoencoders
Chapter 16: Reinforcement Learning




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی