دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning for Numerical Applications with SAS®
دانلود کتاب یادگیری عمیق برای برنامه های عددی با SAS®
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
قیمت کتاب (تومان) : 58,000
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
