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: Henry Bequet
سری:
ISBN (شابک) : 9781635266795
ناشر: SAS
سال نشر: 2018
تعداد صفحات: 219
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 مگابایت
در صورت تبدیل فایل کتاب Deep Learning for Numerical Applications with SAS 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 برای برنامه های عددی با SAS 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.
Contents......Page 2
Preface......Page 6
About this Book......Page 7
Deep Learning......Page 9
Is Deep Learning for You?......Page 10
It’s All about Performance......Page 11
Organization of This Book......Page 13
2 Deep Learning......Page 14
Deep Learning......Page 15
A Few Words about CAS......Page 21
All about the Data......Page 27
Logistic Regression......Page 33
Conclusion......Page 46
A Brief History of Regressions......Page 47
All about the Data (Reprise)......Page 49
A Simple Regression......Page 53
The Universal Approximation Theorem......Page 62
Approximation of a Continuous Function......Page 66
Conclusions......Page 75
4 Many-Task Computing......Page 76
A Taxonomy for Parallel Programs......Page 77
Tasks Are the New Threads......Page 79
Examples of Job Flows......Page 83
Mutable Inputs......Page 84
Task Revisited......Page 85
Partitioning......Page 87
Federated Areas......Page 88
Persistent Area......Page 90
Caveats and Pitfalls......Page 92
Data-Object Pooling......Page 94
Conclusion......Page 96
Monte Carlo or Las Vegas?......Page 98
Random Walk......Page 101
Multi-threaded Random Walk......Page 109
Conclusion......Page 124
History of GPUs......Page 125
The CUDA Programming Model......Page 129
Hello π......Page 131
Random Walk Data with CUDA......Page 137
Putting It All Together......Page 142
Conclusion......Page 145
Generating Data......Page 146
Training the Network......Page 153
Inference Using the Network......Page 160
Performance Summary......Page 165
Other Examples......Page 166
Conclusion......Page 169
Enterprise Applications......Page 170
A Task......Page 171
A Simple Flow......Page 177
A Training Flow Task......Page 181
An Inference Flow......Page 185
Documentation......Page 189
Heterogeneous Architectures......Page 190
Collaboration with Federated Areas......Page 191
Deploying DL with Federated Areas......Page 195
Conclusions......Page 198
Data-Driven Programming......Page 199
The Quest for Speed......Page 200
LINUX......Page 205
Windows......Page 207
Refs......Page 211
Index......Page 215