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: [1st ed. 2021] نویسندگان: Gyanendra K. Verma (editor), Badal Soni (editor), Salah Bourennane (editor), Alexandre C. B. Ramos (editor) سری: ISBN (شابک) : 9811616809, 9789811616808 ناشر: Springer سال نشر: 2021 تعداد صفحات: 464 [444] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Data Science: Theory, Algorithms, and Applications (Transactions on Computer Systems and Networks) 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: نظریه ، الگوریتم ها و برنامه های کاربردی (معاملات در سیستم های کامپیوتری و شبکه ها) 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.
این کتاب مخاطبانی را هدف قرار میدهد که درک اولیه از یادگیری عمیق، معماریهای آن و کاربرد آن در حوزه چندرسانهای دارند. پیشینه در یادگیری ماشینی برای کشف جنبه های مختلف یادگیری عمیق مفید است. مدلهای یادگیری عمیق تأثیر عمدهای بر تحقیقات چند رسانهای دارند و در بسیاری از ارزیابیهای استاندارد، نوار عملکرد را بهطور قابلتوجهی بالا میبرند. علاوه بر این، چالشهای چندوجهی جدیدی نیز حل میشود که سیستمهای قدیمیتر قادر به مقابله با آنها نبودند. با این حال، درک فرآیند یادگیری در شبکههای عصبی عمیق بسیار دشوار است، چه رسد به راهنمایی، فضای عدم اطمینان در مورد اینکه دقیقاً چه چیزی و چگونه این شبکهها یاد میگیرند وجود دارد. تا پایان کتاب، خوانندگان درک درستی از رویکردهای مختلف یادگیری عمیق، مدلها، مدلهای از پیش آموزشدیده و آشنایی با پیادهسازی الگوریتمهای مختلف یادگیری عمیق با استفاده از چارچوبها و کتابخانههای مختلف خواهند داشت.
This book targets an audience with a basic understanding of deep learning, its architectures, and its application in the multimedia domain. Background in machine learning is helpful in exploring various aspects of deep learning. Deep learning models have a major impact on multimedia research and raised the performance bar substantially in many of the standard evaluations. Moreover, new multi-modal challenges are tackled, which older systems would not have been able to handle. However, it is very difficult to comprehend, let alone guide, the process of learning in deep neural networks, there is an air of uncertainty about exactly what and how these networks learn. By the end of the book, the readers will have an understanding of different deep learning approaches, models, pre-trained models, and familiarity with the implementation of various deep learning algorithms using various frameworks and libraries.