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 Essentials

دانلود کتاب موارد ضروری یادگیری عمیق

Deep Learning Essentials

مشخصات کتاب

Deep Learning Essentials

ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 9781785880360 
ناشر: Packt 
سال نشر: 2018 
تعداد صفحات: 271 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 Mb

قیمت کتاب (تومان) : 42,000

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 : 6


در صورت تبدیل فایل کتاب Deep Learning Essentials 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 موارد ضروری یادگیری عمیق 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 موارد ضروری یادگیری عمیق

با استفاده از قدرت ویژگی‌های کلیدی پایتون، با ملزومات یادگیری عمیق آشنا شوید. بینایی کامپیوتر، تشخیص گفتار، و موارد دیگر شامل کتابخانه‌های محبوب پایتون مانند Tensorflow، Keras و موارد دیگر، همراه با نکاتی در مورد آموزش، استقرار و بهینه‌سازی مدل‌های یادگیری عمیق شما به بهترین شکل ممکن شرح کتاب آموزش عمیق یک موضوع پرطرفدار در زمینه امروزه هوش مصنوعی را می توان شکل پیشرفته ای از یادگیری ماشینی دانست که تسلط بر آن بسیار دشوار است. این کتاب به شما کمک می کند اولین گام های خود را در آموزش مدل های یادگیری عمیق کارآمد و به کارگیری آن ها در سناریوهای مختلف عملی بردارید. شما انواع مختلفی از شبکه‌های عصبی مانند شبکه عصبی کانولوشن، شبکه عصبی تکراری را مدل‌سازی، آموزش و استقرار خواهید داد و برخی از کاربردهای آن‌ها را در حوزه‌های دنیای واقعی از جمله بینایی رایانه، پردازش زبان طبیعی، تشخیص گفتار و غیره مشاهده خواهید کرد. شما پروژه های عملی مانند چت بات ها را می سازید، یادگیری تقویتی را برای ساخت بازی های هوشمند پیاده سازی می کنید و سیستم های خبره ای را برای زیرنویس و پردازش تصویر توسعه می دهید. کتابخانه محبوب پایتون مانند TensorFlow در این کتاب برای ساخت مدل ها استفاده شده است. این کتاب همچنین راه‌حل‌هایی را برای مشکلات مختلفی که ممکن است هنگام آموزش مدل‌ها با آنها مواجه شوید، مانند مجموعه داده‌های پر سر و صدا، مجموعه داده‌های کوچک و موارد دیگر را پوشش می‌دهد. این کتاب هیچ دانش قبلی از یادگیری عمیق را فرض نمی کند. در پایان این کتاب، شما درک محکمی از اصول یادگیری عمیق و مدل سازی شبکه های عصبی به همراه کاربردهای عملی آنها خواهید داشت. آنچه یاد خواهید گرفت با مفاهیم اصلی یادگیری عمیق و شبکه های عصبی آشنا شوید کتابخانه یادگیری عمیق مانند TensorFlow را تنظیم کنید مدل های یادگیری عمیق خود را برای برنامه های NLP و Computer Vision یکسان کنید منابع اطلاعاتی مختلف مانند تصاویر، متن و گفتار از طریق یادگیری عمیق مدل های یادگیری عمیق خود را برای عملکرد بهتر بهینه سازی و تنظیم دقیق کنید یک مدل یادگیری تقویتی عمیق را آموزش دهید که یک بازی را بهتر از انسان ها انجام می دهد بیاموزید که چگونه مدل های خود را بهترین بهره را از GPU یا CPU خود ببرید این کتاب برای مشتاقان چه کسی است. دانشمندان داده و متخصصان یادگیری ماشینی که در معرض یادگیری عمیق قرار نگرفته یا محدود هستند، این کتاب را بسیار مفید خواهند یافت. اگر به دنبال منبعی هستید که شما را با اصول یادگیری عمیق و شبکه های عصبی راه اندازی کند، این کتاب برای شما مناسب است. از آنجایی که مدل‌های کتاب با استفاده از کتابخانه‌های محبوب مبتنی بر پایتون مانند Tensorflow و Keras آموزش داده شده‌اند، داشتن دانش برنامه‌نویسی صحیح از پایتون مفید خواهد بود.


توضیحاتی درمورد کتاب به خارجی

Get to grips with the essentials of deep learning by leveraging the power of Python Key Features Your one-stop solution to get started with the essentials of deep learning and neural network modeling Train different kinds of neural networks to tackle various problems in Natural Language Processing, computer vision, speech recognition, and more Covers popular Python libraries such as Tensorflow, Keras, and more, along with tips on training, deploying and optimizing your deep learning models in the best possible manner Book Description Deep Learning a trending topic in the field of Artificial Intelligence today and can be considered to be an advanced form of machine learning, which is quite tricky to master. This book will help you take your first steps in training efficient deep learning models and applying them in various practical scenarios. You will model, train, and deploy different kinds of neural networks such as Convolutional Neural Network, Recurrent Neural Network, and will see some of their applications in real-world domains including computer vision, natural language processing, speech recognition, and so on. You will build practical projects such as chatbots, implement reinforcement learning to build smart games, and develop expert systems for image captioning and processing. Popular Python library such as TensorFlow is used in this book to build the models. This book also covers solutions for different problems you might come across while training models, such as noisy datasets, small datasets, and more. This book does not assume any prior knowledge of deep learning. By the end of this book, you will have a firm understanding of the basics of deep learning and neural network modeling, along with their practical applications. What you will learn Get to grips with the core concepts of deep learning and neural networks Set up deep learning library such as TensorFlow Fine-tune your deep learning models for NLP and Computer Vision applications Unify different information sources, such as images, text, and speech through deep learning Optimize and fine-tune your deep learning models for better performance Train a deep reinforcement learning model that plays a game better than humans Learn how to make your models get the best out of your GPU or CPU Who this book is for Aspiring data scientists and machine learning experts who have limited or no exposure to deep learning will find this book to be very useful. If you are looking for a resource that gets you up and running with the fundamentals of deep learning and neural networks, this book is for you. As the models in the book are trained using the popular Python-based libraries such as Tensorflow and Keras, it would be useful to have sound programming knowledge of Python.



فهرست مطالب

Cover......Page 1
Title Page......Page 2
Copyright and Credits......Page 3
Packt Upsell......Page 4
Contributors......Page 5
Table of Contents......Page 7
Preface......Page 14
Chapter 1: Why Deep Learning?......Page 20
What is AI and deep learning?......Page 21
The history and rise of deep learning......Page 23
Advantages over traditional shallow methods......Page 29
Impact of deep learning......Page 31
The motivation of deep architecture......Page 33
The neural viewpoint......Page 34
The representation viewpoint......Page 35
Distributed feature representation......Page 36
Hierarchical feature representation......Page 38
Applications......Page 39
Success stories......Page 40
Deep learning for business......Page 47
Future potential and challenges......Page 48
Summary......Page 50
Chapter 2: Getting Yourself Ready for Deep Learning......Page 51
Data representation......Page 52
Data operations......Page 53
Matrix properties......Page 54
Deep learning with GPU......Page 56
Deep learning hardware guide......Page 57
RAM size......Page 58
Cooling systems......Page 59
TensorFlow – a deep learning library......Page 60
MXNet......Page 61
Theano......Page 62
Keras......Page 63
Framework comparison......Page 64
Setup from scratch......Page 65
Setup using Docker......Page 69
Summary......Page 71
Chapter 3: Getting Started with Neural Networks......Page 72
Multilayer perceptrons......Page 73
Activation functions......Page 74
Tanh or hyperbolic tangent function......Page 76
Leaky ReLU and maxout......Page 77
Weight initialization......Page 78
Backpropagation......Page 79
Backpropagation......Page 80
Automatic differentiation......Page 81
Vanishing and exploding gradients......Page 82
Regularization......Page 83
Convolutional Neural Networks......Page 84
Convolution......Page 85
Pooling/subsampling......Page 87
Overall......Page 88
Restricted Boltzmann Machines......Page 89
Encoding and decoding......Page 90
Contrastive divergence (CD-k)......Page 93
Recurrent neural networks (RNN/LSTM)......Page 94
Backpropagation through time......Page 95
Vanishing gradient and LTSM......Page 96
Cells and gates in LTSM......Page 97
Practical examples......Page 98
Handwritten digits recognition......Page 99
Summary......Page 103
Origins of CNNs......Page 104
Convolutional Neural Networks ......Page 106
Data transformations......Page 108
Input preprocessing......Page 109
Data augmentation......Page 110
Network layers......Page 111
Convolution layer......Page 112
Pooling or subsampling layer......Page 113
Fully connected or dense layer......Page 114
Network initialization......Page 115
Regularization......Page 116
Loss functions......Page 118
Model visualization......Page 119
Handwritten digit classification example......Page 121
Fine-tuning CNNs......Page 124
Popular CNN architectures......Page 125
Visual Geometry Group......Page 126
ResNet......Page 127
Summary......Page 128
Traditional NLP......Page 129
Bag of words......Page 130
Weighting the terms tf-idf......Page 131
Motivation and distributed representation......Page 132
Word embeddings......Page 133
Idea of word embeddings......Page 134
Advantages of distributed representation......Page 136
Commonly used pre-trained word embeddings......Page 137
Basic idea of Word2Vec......Page 139
The word windows......Page 140
Generating training data......Page 141
Negative sampling......Page 142
Hierarchical softmax......Page 143
The input layer......Page 144
The loss function......Page 145
Continuous Bag-of-Words model......Page 146
Training a Word2Vec using TensorFlow......Page 147
Using the pre-trained Word2Vec embeddings......Page 152
Understanding GloVe......Page 153
FastText......Page 154
Summary......Page 155
Chapter 6: Advanced Natural Language Processing......Page 156
Limitations of neural networks......Page 157
Recurrent neural networks ......Page 159
RNN architectures......Page 160
Basic RNN model......Page 161
Training RNN is tough......Page 162
Long short-term memory network......Page 164
LSTM implementation with tensorflow......Page 166
Language modeling......Page 169
Sequence tagging......Page 171
Machine translation......Page 173
Seq2Seq inference......Page 176
Summary......Page 178
What is multimodality learning?......Page 179
Representation......Page 180
Alignment......Page 181
Co-learning......Page 182
Image captioning......Page 183
Show and tell......Page 184
Encoder......Page 185
Testing/inference......Page 186
Beam Search......Page 187
Other types of approaches......Page 188
Datasets......Page 189
Evaluation......Page 193
BLEU......Page 194
METEOR......Page 195
Attention models......Page 196
Attention in NLP......Page 197
Attention in computer vision......Page 200
The difference between hard attention and soft attention......Page 202
Visual question answering......Page 203
Multi-source based self-driving......Page 206
Summary......Page 209
Chapter 8: Deep Reinforcement Learning......Page 210
Problem setup......Page 211
Value learning-based algorithms......Page 212
Policy search-based algorithms......Page 214
Actor-critic-based algorithms......Page 215
Deep reinforcement learning......Page 216
Deep Q-network (DQN)......Page 217
Target network......Page 218
Double-DQN......Page 219
Prioritized experience delay......Page 220
Dueling DQN......Page 221
Simple reinforcement learning example......Page 222
Reinforcement learning with Q-learning example......Page 224
Summary......Page 226
Data cleaning......Page 227
Data normalization......Page 228
Random initialization......Page 229
Xavier initialization......Page 230
Learning rate......Page 231
Multi-class classification......Page 233
Preventing overfitting......Page 234
Dropout......Page 235
When to use fine-tuning......Page 236
Tricks and techniques......Page 237
Model compression......Page 238
Summary......Page 243
Generative Adversarial Networks ......Page 244
Capsule networks ......Page 246
Genomics......Page 247
Predictive medicine......Page 251
Clinical imaging......Page 252
Lip reading......Page 253
Visual reasoning......Page 255
Code synthesis......Page 257
Summary......Page 260
Other Books You May Enjoy......Page 261
Index......Page 264




نظرات کاربران

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