مشخصات کتاب

Deep Learning for Numerical Applications with SAS®

ویرایش:  
نویسندگان: Henry Bequet  
سری:  
ISBN (شابک) : 1635266807, 9781635266801 
ناشر: SAS Institute 
سال نشر: 2018 
تعداد صفحات: 234 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 22 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.

توضیحاتی در مورد کتاب یادگیری عمیق برای برنامه های عددی با SAS®

پیشگفتار الیور شابنبرگر، معاون اجرایی دکترا، مدیر عملیاتی و مدیر ارشد فناوری SAS به یادگیری عمیق شیرجه بزنید! یادگیری ماشینی و یادگیری عمیق همه جا در خانه و محل کار ما وجود دارد - از ترجمه ماشینی گرفته تا تشخیص تصویر و تجزیه و تحلیل پیش‌بینی‌کننده تا رانندگی مستقل. یادگیری عمیق نوید بهبود بسیاری از وظایف روزمره در رشته های مختلف را می دهد. بسیاری از ادبیات یادگیری عمیق مکانیک یادگیری عمیق را با هدف اجرای برنامه‌های شناختی که توسط داده‌های بزرگ تامین می‌شوند، توضیح می‌دهند. این کتاب متفاوت است. نوشته شده توسط یک متخصص در تجزیه و تحلیل با کارایی بالا، یادگیری عمیق برای برنامه های عددی با SAS® یک زمینه جدید را معرفی می کند: یادگیری عمیق برای برنامه های عددی (DL4NA). برخلاف یادگیری عمیق، هدف اولیه DL4NA یادگیری از داده ها نیست، بلکه بهبود چشمگیر عملکرد برنامه های عددی با آموزش شبکه های عصبی عمیق است. یادگیری عمیق برای برنامه های عددی با SAS® مفاهیم یادگیری عمیق را در SAS همراه با تکنیک های گام به گام ارائه می دهد که به شما امکان می دهد به راحتی نمونه ها را در سیستم های تجزیه و تحلیل با کارایی بالا بازتولید کنید. همچنین آخرین نوآوری‌های سخت‌افزاری را که می‌توانند برنامه‌های SAS شما را تقویت کنند، مورد بحث قرار می‌دهد: از پردازنده‌های چند هسته‌ای گرفته تا پردازنده‌های گرافیکی و FPGA و ASIC. این کتاب فرض می کند که خواننده هیچ دانش قبلی از محاسبات با عملکرد بالا، یادگیری ماشین یا یادگیری عمیق ندارد. این برای توسعه دهندگان SAS در نظر گرفته شده است که می خواهند سریع ترین تجزیه و تحلیل را توسعه و اجرا کنند. علاوه بر کشف آخرین روندها در معماری های ترکیبی با GPU و FPGAS، خوانندگان یاد خواهند گرفت که چگونه از یادگیری عمیق در SAS استفاده کنند، تجزیه و تحلیل خود را با استفاده از یادگیری عمیق تسریع کنند. لطفا صفحه نویسنده را ببینید این کتاب بخشی از برنامه SAS Press است.

توضیحاتی درمورد کتاب به خارجی

Foreword by Oliver Schabenberger, PhD Executive Vice President, Chief Operating Officer and Chief Technology OfficerSAS Dive into deep learning! Machine learning and deep learning are ubiquitous in our homes and workplaces-from machine translation to image recognition and predictive analytics to autonomous driving. Deep learning holds the promise of improving many everyday tasks in a variety of disciplines. Much deep learning literature explains the mechanics of deep learning with the goal of implementing cognitive applications fueled by Big Data. This book is different. Written by an expert in high-performance analytics, Deep Learning for Numerical Applications with SAS® introduces a new field: Deep Learning for Numerical Applications (DL4NA). Contrary to deep learning, the primary goal of DL4NA is not to learn from data but to dramatically improve the performance of numerical applications by training deep neural networks. Deep Learning for Numerical Applications with SAS® presents deep learning concepts in SAS along with step-by-step techniques that allow you to easily reproduce the examples on your high-performance analytics systems. It also discusses the latest hardware innovations that can power your SAS programs: from many-core CPUs to GPUs to FPGAs to ASICs. This book assumes the reader has no prior knowledge of high-performance computing, machine learning, or deep learning. It is intended for SAS developers who want to develop and run the fastest analytics. In addition to discovering the latest trends in hybrid architectures with GPUs and FPGAS, readers will learn how to Use deep learning in SAS Speed up their analytics using deep learning Easily write highly parallel programs using the many task computing paradigms For sample material and supporting resources, please see the author's page. This book is part of the SAS Press program.

فهرست مطالب

Contents
Preface
About This Book
	What Does This Book Cover?
	Is This Book for You?
	What Are the Prerequisites for This Book?
	What Should You Know about the Examples?
		Software Used to Develop the Book's Content
		Example Code and Data
	We Want to Hear from You
About The Author
Acknowledgments
Chapter 1: Introduction
	Deep Learning
	Is Deep Learning for You?
	It’s All about Performance
		Flynn’s Taxonomy
		Life after Flynn
	Organization of This Book
Chapter 2: Deep Learning
	Deep Learning
		Connectionism
		The Perceptron
		The First AI Winter
		The Experts to the Rescue
		The Second AI Winter
		The Deeps
		The Third AI Winter
		Some Supervision Required
	A Few Words about CAS
		Deployment Models
		CAS Sessions
		Caslibs
		Workers
		Action Sets and Actions
		Cleanup
	All about the Data
		The Men Body Mass Index Data Set
		The IRIS Data Set
	Logistic Regression
		Preamble
		Create the ANN
		Training
		Inference
	Conclusion
Chapter 3: Regressions
	A Brief History of Regressions
	All about the Data (Reprise)
		The CARS Data Set
	A Simple Regression
	The Universal Approximation Theorem
		Universal Approximation Framework
	Approximation of a Continuous Function
	Conclusions
Chapter 4: Many-Task Computing
	A Taxonomy for Parallel Programs
	Tasks Are the New Threads
		What Is a Task?
		Inputs and Outputs
		Immutable Inputs
		What Is a Job Flow?
	Examples of Job Flows
	Mutable Inputs
	Task Revisited
	Partitioning
	Federated Areas
	Persistent Area
	Caveats and Pitfalls
		Not Declaring Your Inputs
		Not Treating Your Immutable Inputs as Immutable
		Not Declaring Your Outputs
	Performance of Grid Scheduling
	Data-Object Pooling
	Portable Learning
	Conclusion
Chapter 5: Monte Carlo Simulations
	Monte Carlo or Las Vegas?
	Random Walk
	Multi-threaded Random Walk
		SAS Studio
		Live ETL
		A Parallel Program
		A Parallel Program with Partitions
		Many Cores
	Conclusion
Chapter 6: GPU
	History of GPUs
		The Golden Age of the Multicore
		The Golden Age of the Graphics Card
		The Golden Age of the GPU
	The CUDA Programming Model
	Hello
		The CUDA Toolkit
		Buffon Revisited
	Generating Random Walk Data with CUDA
	Putting It All Together
	Conclusion
Chapter 7: Monte Carlo Simulations with Deep Learning
	Generating Data
		Training Data
		Testing Data
	Training the Network
	Inference Using the Network
	Performance Summary
	Other Examples
		Pricing of American Options
		Pricing of Variable Annuities Contracts
	Conclusion
Chapter 8: Deep Learning for Numerical Applications in the Enterprise
	Enterprise Applications
	A Task
		Data
		Task Implementation
	A Simple Flow
	A Training Flow Task
	An Inference Flow
	Documentation
	Heterogeneous Architectures
	Collaboration with Federated Areas
	Deploying DL with Federated Areas
	Conclusions
Chapter 9: Conclusions
	Data-Driven Programming
	The Quest for Speed
		From Tasks to GPUs
		Training and Inference
		FPGA
		Hybrid Architectures
Appendix A: Development Environment Setup
	LINUX
	Windows
References
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Creating Strong Protagonists

دانلود کتاب The Enchanted Hour: The Miraculous Power of Reading Aloud in the Age of Distraction

دانلود کتاب Three-dimensional link theory and invariants of plane curve singularities

دانلود کتاب Classical Place Names in New York State: Origins, Histories and Meanings

دانلود کتاب 101 stitches for afghans