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 Deep Learning By Example: A hands-on guide to implementing advanced machine learning algorithms and neural networks

دانلود کتاب یادگیری عمیق با مثال: راهنمای عملی برای پیاده سازی الگوریتم های پیشرفته یادگیری ماشین و شبکه های عصبی

Deep Learning By Example: A hands-on guide to implementing advanced machine learning algorithms and neural networks

مشخصات کتاب

Deep Learning By Example: A hands-on guide to implementing advanced machine learning algorithms and neural networks

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1788399900, 9781788399906 
ناشر: Packt Publishing 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 12 مگابایت 

قیمت کتاب (تومان) : 43,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


در صورت تبدیل فایل کتاب Deep Learning By Example: A hands-on guide to implementing advanced machine learning algorithms and neural 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 یادگیری عمیق با مثال: راهنمای عملی برای پیاده سازی الگوریتم های پیشرفته یادگیری ماشین و شبکه های عصبی 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 یادگیری عمیق با مثال: راهنمای عملی برای پیاده سازی الگوریتم های پیشرفته یادگیری ماشین و شبکه های عصبی



مفاهیم اساسی یادگیری عمیق را با استفاده از Tensorflow به صورت عملی درک کنید

ویژگی های کلیدی

  • تجربه ای دست اول کسب کنید از مفاهیم و تکنیک های یادگیری عمیق با این راهنمای آسان برای دنبال کردن
  • آموزش انواع مختلف شبکه های عصبی با استفاده از Tensorflow برای مشکلات دنیای واقعی در پردازش زبان، بینایی کامپیوتر، یادگیری انتقال و موارد دیگر
  • طراحی شده برای کسانی که به مفهوم "یادگیری با انجام دادن" اعتقاد دارند، این کتاب ترکیبی عالی از تئوری و نمونه های کد است

توضیحات کتاب

یادگیری عمیق زیرمجموعه ای محبوب از یادگیری ماشین است و به شما امکان می دهد مدل های پیچیده ای بسازید که سریعتر باشند و پیش بینی های دقیق تری ارائه دهند. این کتاب همراه شما برای برداشتن اولین گام‌ها به دنیای یادگیری عمیق است، با مثال‌های عملی برای تقویت درک شما از موضوع.

این کتاب با مروری سریع بر مفاهیم اساسی داده‌ها شروع می‌شود. علم و یادگیری ماشین که برای شروع یادگیری عمیق لازم است. این کتاب شما را با Tensorflow آشنا می کند، پرکاربردترین کتابخانه یادگیری ماشینی برای آموزش مدل های یادگیری عمیق. سپس با آموزش یک شبکه عصبی پیش‌خور عمیق برای طبقه‌بندی اعداد، روی اولین مشکل یادگیری عمیق خود کار می‌کنید و به سراغ دیگر مشکلات دنیای واقعی در بینایی کامپیوتر، پردازش زبان، تجزیه و تحلیل احساسات و غیره می‌روید. مدل‌های یادگیری عمیق پیشرفته مانند شبکه‌های متخاصم مولد و کاربردهای آن‌ها نیز در این کتاب پوشش داده شده است.

در پایان این کتاب، شما درک کاملی از تمام مفاهیم ضروری در یادگیری عمیق خواهید داشت. با کمک مثال‌ها و کدهای ارائه شده در این کتاب، می‌توانید با اطمینان بیشتری مدل‌های یادگیری عمیق خود را آموزش دهید.

آنچه خواهید آموخت

  • درک کنید. اصول یادگیری عمیق و تفاوت آن با یادگیری ماشینی
  • با Tensorflow، یکی از محبوب ترین کتابخانه ها برای یادگیری ماشینی پیشرفته آشنا شوید
  • قدرت پیش بینی مدل خود را با استفاده از آن افزایش دهید. مهندسی ویژگی
  • درک اصول یادگیری عمیق با حل مسئله طبقه بندی رقمی MNIST
  • نشان دادن تولید چهره بر اساس پایگاه داده CelebA، یک کاربرد امیدوارکننده از مدل های مولد
  • li>آموزش عمیق را در حوزه های دیگری مانند مدل سازی زبان، تجزیه و تحلیل احساسات و ترجمه ماشینی اعمال کنید

این کتاب برای چه کسی است

این کتاب دانشمندان داده و توسعه دهندگان یادگیری ماشین را هدف قرار می دهد. کسانی که می خواهند با یادگیری عمیق شروع کنند. اگر می دانید یادگیری عمیق چیست اما در مورد نحوه استفاده از آن کاملا مطمئن نیستید، این کتاب به شما نیز کمک خواهد کرد. درک آمار و مفاهیم علم داده مورد نیاز است. آشنایی با برنامه نویسی پایتون نیز مفید خواهد بود.

فهرست مطالب

  1. علم داده: نمای چشم پرنده
  2. مدل سازی داده در عمل - نمونه تایتانیک
  3. مهندسی ویژگی و پیچیدگی مدل - نمونه تایتانیک مورد بازبینی قرار گرفت
  4. برخیزید و اجرا کنید با TensorFlow
  5. Tensorflow در عمل - چند مثال اساسی
  6. شبکه های عصبی پیشخور عمیق - پیاده سازی طبقه بندی رقومی
  7. مقدمه ای بر شبکه های عصبی کانولوشن
  8. تشخیص شی - مثال CIFAR-10
  9. تشخیص شی - انتقال یادگیری با CNN
  10. شبکه‌های عصبی نوع تکراری - مدل‌سازی زبان
  11. یادگیری بازنمایی - پیاده‌سازی جاسازی‌های کلمه
  12. تحلیل احساسات عصبی
  13. رمزگذارهای خودکار - استخراج ویژگی و حذف نویز
  14. شبکه‌های متخاصم مولد در عمل - تولید تصاویر جدید
  15. تولید چهره و مدیریت برچسب‌های گمشده
  16. پیوست - پیاده‌سازی تشخیص ماهی< /ol>

توضیحاتی درمورد کتاب به خارجی

Grasp the fundamental concepts of deep learning using Tensorflow in a hands-on manner

Key Features

  • Get a first-hand experience of the deep learning concepts and techniques with this easy-to-follow guide
  • Train different types of neural networks using Tensorflow for real-world problems in language processing, computer vision, transfer learning, and more
  • Designed for those who believe in the concept of 'learn by doing', this book is a perfect blend of theory and code examples

Book Description

Deep learning is a popular subset of machine learning, and it allows you to build complex models that are faster and give more accurate predictions. This book is your companion to take your first steps into the world of deep learning, with hands-on examples to boost your understanding of the topic.

This book starts with a quick overview of the essential concepts of data science and machine learning which are required to get started with deep learning. It introduces you to Tensorflow, the most widely used machine learning library for training deep learning models. You will then work on your first deep learning problem by training a deep feed-forward neural network for digit classification, and move on to tackle other real-world problems in computer vision, language processing, sentiment analysis, and more. Advanced deep learning models such as generative adversarial networks and their applications are also covered in this book.

By the end of this book, you will have a solid understanding of all the essential concepts in deep learning. With the help of the examples and code provided in this book, you will be equipped to train your own deep learning models with more confidence.

What you will learn

  • Understand the fundamentals of deep learning and how it is different from machine learning
  • Get familiarized with Tensorflow, one of the most popular libraries for advanced machine learning
  • Increase the predictive power of your model using feature engineering
  • Understand the basics of deep learning by solving a digit classification problem of MNIST
  • Demonstrate face generation based on the CelebA database, a promising application of generative models
  • Apply deep learning to other domains like language modeling, sentiment analysis, and machine translation

Who This Book Is For

This book targets data scientists and machine learning developers who wish to get started with deep learning. If you know what deep learning is but are not quite sure of how to use it, this book will help you as well. An understanding of statistics and data science concepts is required. Some familiarity with Python programming will also be beneficial.

Table of Contents

  1. Data science: Bird's-eye view
  2. Data Modeling in Action - The Titanic Example
  3. Feature Engineering and Model Complexity - The Titanic Example Revisited
  4. Get Up and Running with TensorFlow
  5. Tensorflow in Action - Some Basic Examples
  6. Deep Feed-forward Neural Networks - Implementing Digit Classification
  7. Introduction to Convolutional Neural Networks
  8. Object Detection - CIFAR-10 Example
  9. Object Detection - Transfer Learning with CNNs
  10. Recurrent-Type Neural Networks - Language modeling
  11. Representation Learning - Implementing Word Embeddings
  12. Neural sentiment Analysis
  13. Autoencoders - Feature Extraction and Denoising
  14. Generative Adversarial Networks in Action - Generating New Images
  15. Face Generation and Handling Missing Labels
  16. Appendix - Implementing Fish Recognition


فهرست مطالب

Cover
Copyright and Credits
Packt Upsell
Contributors
Table of Contents
Preface
Chapter 1: Data Science - A Birds\' Eye View
	Understanding data science by an example
	Design procedure of data science algorithms
		Data pre-processing
			Data cleaning
			Data pre-processing
		Feature selection
		Model selection
		Learning process
		Evaluating your model
	Getting to learn
		Challenges of learning
			Feature extraction – feature engineering
			Noise
			Overfitting
			Selection of a machine learning algorithm
			Prior knowledge
			Missing values
	Implementing the fish recognition/detection model
		Knowledge base/dataset
		Data analysis pre-processing
		Model building
			Model training and testing
			Fish recognition – all together
	Different learning types
		Supervised learning
		Unsupervised learning
		Semi-supervised learning
		Reinforcement learning
	Data size and industry needs
	Summary
Chapter 2: Data Modeling in Action - The Titanic Example
	Linear models for regression
		Motivation
		Advertising – a financial example
			Dependencies
			Importing data with pandas
			Understanding the advertising data
			Data analysis and visualization
			Simple regression model
				Learning model coefficients
				Interpreting model coefficients
				Using the model for prediction
	Linear models for classification
		Classification and logistic regression
	Titanic example – model building and training
		Data handling and visualization
		Data analysis – supervised machine learning
	Different types of errors
	Apparent (training set) error
	Generalization/true error
	Summary
Chapter 3: Feature Engineering and Model Complexity – The Titanic Example Revisited
	Feature engineering
		Types of feature engineering
			Feature selection
			Dimensionality reduction
			Feature construction
		Titanic example revisited
			Missing values
				Removing any sample with missing values in it
				Missing value inputting
				Assigning an average value
				Using a regression or another simple model to predict the values of missing variables
			Feature transformations
				Dummy features
				Factorizing
				Scaling
				Binning
			Derived features
				Name
				Cabin
				Ticket
			Interaction features
	The curse of dimensionality
		Avoiding the curse of dimensionality
	Titanic example revisited – all together
	Bias-variance decomposition
	Learning visibility
		Breaking the rule of thumb
	Summary
Chapter 4: Get Up and Running with TensorFlow
	TensorFlow installation
		TensorFlow GPU installation for Ubuntu 16.04
			Installing NVIDIA drivers and CUDA 8
			Installing TensorFlow
		TensorFlow CPU installation for Ubuntu 16.04
		TensorFlow CPU installation for macOS X
		TensorFlow GPU/CPU installation for Windows
	The TensorFlow environment
	Computational graphs
	TensorFlow data types, variables, and placeholders
		Variables
		Placeholders
		Mathematical operations
	Getting output from TensorFlow
	TensorBoard – visualizing learning
	Summary
Chapter 5: TensorFlow in Action - Some Basic Examples
	Capacity of a single neuron
		Biological motivation and connections
	Activation functions
		Sigmoid
		Tanh
		ReLU
	Feed-forward neural network
	The need for multilayer networks
		Training our MLP – the backpropagation algorithm
		Step 1 – forward propagation
		Step 2 – backpropagation and weight updation
	TensorFlow terminologies – recap
		Defining multidimensional arrays using TensorFlow
		Why tensors?
		Variables
		Placeholders
		Operations
	Linear regression model – building and training
		Linear regression with TensorFlow
	Logistic regression model – building and training
		Utilizing logistic regression in TensorFlow
			Why use placeholders?
			Set model weights and bias
			Logistic regression model
			Training
			Cost function
	Summary
Chapter 6: Deep Feed-forward Neural Networks - Implementing Digit Classification
	Hidden units and architecture design
	MNIST dataset analysis
		The MNIST data
	Digit classification – model building and training
		Data analysis
		Building the model
		Model training
	Summary
Chapter 7: Introduction to Convolutional Neural Networks
	The convolution operation
	Motivation
		Applications of CNNs
	Different layers of CNNs
		Input layer
		Convolution step
		Introducing non-linearity
		The pooling step
		Fully connected layer
			Logits layer
	CNN basic example – MNIST digit classification
		Building the model
			Cost function
			Performance measures
		Model training
	Summary
Chapter 8: Object Detection – CIFAR-10 Example
	Object detection
	CIFAR-10 – modeling, building, and training
		Used packages
		Loading the CIFAR-10 dataset
		Data analysis and preprocessing
		Building the network
		Model training
		Testing the model
	Summary
Chapter 9: Object Detection – Transfer Learning with CNNs
	Transfer learning
		The intuition behind TL
		Differences between traditional machine learning and TL
	CIFAR-10 object detection – revisited
		Solution outline
		Loading and exploring CIFAR-10
		Inception model transfer values
		Analysis of transfer values
		Model building and training
	Summary
Chapter 10: Recurrent-Type Neural Networks - Language Modeling
	The intuition behind RNNs
		Recurrent neural networks architectures
		Examples of RNNs
			Character-level language models
				Language model using Shakespeare data
		The vanishing gradient problem
		The problem of long-term dependencies
	LSTM networks
		Why does LSTM work?
	Implementation of the language model
		Mini-batch generation for training
		Building the model
			Stacked LSTMs
			Model architecture
			Inputs
			Building an LSTM cell
			RNN output
			Training loss
			Optimizer
			Building the network
			Model hyperparameters
		Training the model
			Saving checkpoints
			Generating text
	Summary
Chapter 11: Representation Learning - Implementing Word Embeddings
	Introduction to representation learning
	Word2Vec
		Building Word2Vec model
	A practical example of the skip-gram architecture
	Skip-gram Word2Vec implementation
		Data analysis and pre-processing
		Building the model
		Training
	Summary
Chapter 12: Neural Sentiment Analysis
	General sentiment analysis architecture
		RNNs – sentiment analysis context
		Exploding and vanishing gradients - recap
	Sentiment analysis – model implementation
		Keras
		Data analysis and preprocessing
		Building the model
		Model training and results analysis
	Summary
Chapter 13: Autoencoders – Feature Extraction and Denoising
	Introduction to autoencoders
	Examples of autoencoders
	Autoencoder architectures
	Compressing the MNIST dataset
		The MNIST dataset
		Building the model
		Model training
	Convolutional autoencoder
		Dataset
		Building the model
		Model training
	Denoising autoencoders
		Building the model
		Model training
	Applications of autoencoders
		Image colorization
		More applications
	Summary
Chapter 14: Generative Adversarial Networks
	An intuitive introduction
	Simple implementation of GANs
		Model inputs
		Variable scope
		Leaky ReLU
		Generator
		Discriminator
		Building the GAN network
			Model hyperparameters
			Defining the generator and discriminator
			Discriminator and generator losses
			Optimizers
		Model training
			Generator samples from training
		Sampling from the generator
	Summary
Chapter 15: Face Generation and Handling Missing Labels
	Face generation
		Getting the data
		Exploring the Data
		Building the model
			Model inputs
			Discriminator
			Generator
			Model losses
			Model optimizer
			Training the model
	Semi-supervised learning with Generative Adversarial Networks (GANs)
		Intuition
		Data analysis and preprocessing
		Building the model
			Model inputs
			Generator
			Discriminator
			Model losses
			Model optimizer
		Model training
	Summary
Appendix: Implementing Fish Recognition
	Code for fish recognition
Other Books You May Enjoy
Index




نظرات کاربران