دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep learning illustrated: a visual, interactive guide to artificial intelligence
دانلود کتاب یادگیری عمیق مصور: راهنمای دیداری و تعاملی برای هوش مصنوعی
مشخصات کتاب
Deep learning illustrated: a visual, interactive guide to artificial intelligence
ویرایش: نویسندگان: Krohn. Jon, Beyleveld. Grant, Bassens. Aglae سری: The Person Addison-Wesley data et analytics series ISBN (شابک) : 9780135116692, 0135116694 ناشر: Addison-Wesley Professional سال نشر: 2019;2020 تعداد صفحات: 0 زبان: English فرمت فایل : AZW3 (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 23 مگابایت
قیمت کتاب (تومان) : 52,000
کلمات کلیدی مربوط به کتاب یادگیری عمیق مصور: راهنمای دیداری و تعاملی برای هوش مصنوعی: هوش مصنوعی، غیرداستانی، علم، فناوری، مرجع
در صورت تبدیل فایل کتاب Deep learning illustrated: a visual, interactive guide to artificial intelligence 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 مصور: راهنمای دیداری و تعاملی برای هوش مصنوعی 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 مصور: راهنمای دیداری و تعاملی برای هوش مصنوعی
\"این کتاب یک دستاورد خیره کننده است که با دقت و درک عمیق
نوشته شده است. شما را سرگرم می کند و در عین حال اطلاعات جالب
زیادی در اختیار شما قرار می دهد. بسیار سرگرم کننده است! خواندن
کتاب لذت بخش است و من آن را به شدت توصیه می کنم.\"
--مریمخاکپور، داور آموزش آنلاین O'Reilly (Safari)
\"این عنوان یک منبع عالی برای کسانی است که به دنبال یادگیری
عمیق را درک کنید. تصاویر کمک می کنند و به تقویت درک غنی تر از
محتوا کمک می کنند، و زمینه زمینه ای که در اطراف انگیزه های
بیولوژیکی برای ابزارها و تکنیک ها وجود دارد، قدردانی بیشتری از
این زمینه را امکان پذیر می کند. علاقه مند به موضوع یادگیری عمیق
است.\"
-vincepetaccio، O'Reilly Online Learning (Safari)
Reviewer
یادگیری عمیق نرم افزار را متحول می کند، قابلیت های جدید هوش
مصنوعی قدرتمند را تسهیل می کند و عملکرد الگوریتم بی سابقه ای را
ایجاد می کند.< b>Deep Learning Illustratedبه طور منحصر به
فردی بصری، شهودی و قابل دسترس است و در عین حال مقدمه ای جامع
برای تکنیک ها و کاربردهای این رشته ارائه می دهد. با برنامه‌های
تمام رنگی و کدهایی با قابلیت دنبال کردن آسان، پیچیدگی ساخت
مدل‌های یادگیری عمیق را از بین می‌برد و موضوع را قابل دسترس و
یادگیری سرگرم‌کننده می‌کند.
مدرس و متخصص در کلاس جهانی Jon Krohn - با مطالب مهم Grant
Beyleveld و تصاویر زیبا توسط Agla Bassens - تشبیهات ساده ای را
ارائه می دهد تا توضیح دهد که یادگیری عمیق چیست، چرا اینقدر
محبوب شده است و چگونه با سایر رویکردهای یادگیری ماشینی ارتباط
دارد. او همچنین یک مرجع عملی و آموزشی برای توسعه دهندگان،
دانشمندان داده، محققان، تحلیلگران و دانشجویانی که می خواهند
شروع به استفاده از آن کنند، ارائه می دهد. او تئوری اساسی را با
کمترین ریاضیات ممکن پوشش می‌دهد، و ترجیح می‌دهد مفاهیم را با کد
پایتون عملی و «توسعه‌ها» عملی در نوت‌بوک‌های ژوپیتر روشن کند.
برای کمک به پیشرفت سریع شما، او بر روی کتابخانه یادگیری عمیق
همه کاره و سطح بالا Keras تمرکز می‌کند تا مدل‌های کارآمد
TensorFlow را بسازد. PyTorch، کتابخانه جایگزین پیشرو نیز پوشش
داده شده است.
شما درکی عملی از تمام رویکردهای اصلی یادگیری عمیق و کاربردهای
آنها در برنامه های کاربردی از بینایی ماشین و پردازش زبان طبیعی
تا تولید تصویر و بازی به دست خواهید آورد. -بازی
الگوریتم‌ها.
کشف کنید چه چیزی سیستم‌های یادگیری عمیق را منحصربه‌فرد می‌کند،
و پیامدهای آن برای تمرین‌کنندگان ابزارهای جدیدی را کاوش کنید که
ساخت، استفاده و بهبود مدل‌های یادگیری عمیق را آسان‌تر می‌کنند:
نورون‌های مصنوعی، پیش‌خور عمیق. شبکه‌ها، آموزش، بهینه‌سازی،
شبکه‌های کانولوشنال، شبکه‌های تکراری، شبکه‌های متخاصم مولد
(GAN)، یادگیری تقویتی عمیق، و موارد دیگر در ساختن برنامه‌های
یادگیری عمیق تعاملی قدم بزنید و با پروژه‌های هوش مصنوعی خود پیش
بروید، محصول خود را برای دسترسی راحت به دانلودها ثبت کنید. ، به
روز رسانی ها و/یا اصلاحات به محض در دسترس قرار گرفتن. برای
اطلاعات بیشتر به داخل کتاب مراجعه کنید.
گواهینامه فناوری اطلاعات Pearson و Sander Van Vugt هیچ وابستگی
به Red Hat، Inc ندارند. علائم تجاری RED HAT و RHCSA فقط برای
اهداف شناسایی استفاده می‌شوند و برای نشان دادن وابستگی به یا
تایید شده توسط Red Hat, Inc.
توضیحاتی درمورد کتاب به خارجی
"This book is a stunning achievement, written with precision
and depth of understanding. It entertains you and gives you
lots of interesting information at the same time. I could never
imagine understanding and gaining scientific knowledge, namely
'Deep Learning' can be this much fun! Reading the book is a
pleasure and I highly recommend it."
--maryamkhakpour, O'Reilly Online Learning (Safari)
Reviewer
"This title is a great resource for those looking to understand
deep learning. The illustrations are helpful and aid in
cementing a richer understanding of the content, and the
background context surrounding biological motivations for the
tools and techniques enables a greater appreciation of the
field. I enthusiastically recommend this book to any and all
who are interested in the topic of deep learning."
-vincepetaccio, O'Reilly Online Learning (Safari)
Reviewer
Deep learning is transforming software, facilitating powerful
new artificial intelligence capabilities, and driving
unprecedented algorithm performance.Deep Learning
Illustratedis uniquely visual, intuitive, and accessible,
and yet offers a comprehensive introduction to the discipline's
techniques and applications. Packed with full-color
applications and easy-to-follow code, it sweeps away much of
the complexity of building deep learning models, making the
subject approachable and fun to learn.
World-class instructor and practitioner Jon Krohn-with crucial
material from Grant Beyleveld and beautiful illustrations by
Agla� Bassens-presents straightforward analogies to explain
what deep learning is, why it has become so popular, and how it
relates to other machine learning approaches. He also offers a
practical reference and tutorial for developers, data
scientists, researchers, analysts, and students who want to
start applying it. He covers essential theory with as little
mathematics as possible, preferring to illuminate concepts with
hands-on Python code and practical "run-throughs" in
accompanying Jupyter notebooks. To help you progress quickly,
he focuses on the versatile, high-level deep learning library
Keras to nimbly construct efficient TensorFlow models; PyTorch,
the leading alternative library, is also covered.
You'll gain a pragmatic understanding of all major deep
learning approaches and their uses in applications ranging from
machine vision and natural language processing to image
generation and game-playing algorithms.
Discover what makes deep learning systems unique, and the
implications for practitioners Explore new tools that make deep
learning models easier to build, use, and improve Master
essential theory: artificial neurons, deep feedforward
networks, training, optimization, convolutional nets, recurrent
nets, generative adversarial networks (GANs), deep
reinforcement learning, and more Walk through building
interactive deep learning applications, and move forward with
your own artificial intelligence projects Register your product
for convenient access to downloads, updates, and/or corrections
as they become available. See inside the book for more
information.
Pearson IT Certification, and Sander Van Vugt have no
affiliation with Red Hat, Inc. The RED HAT and RHCSA trademarks
are used for identification purposes only and are not intended
to indicate affiliation with or approval by Red Hat, Inc.
فهرست مطالب
Cover Title Page Copyright Page Contents Figures Tables Examples Foreword Preface Acknowledgments About the Authors Part I: Introducing Deep Learning 1 Biological and Machine Vision Biological Vision Machine Vision The Neocognitron LeNet-5 The Traditional Machine Learning Approach ImageNet and the ILSVRC AlexNet TensorFlow Playground Quick, Draw! Summary 2 Human and Machine Language Deep Learning for Natural Language Processing Deep Learning Networks Learn Representations Automatically Natural Language Processing A Brief History of Deep Learning for NLP Computational Representations of Language One-Hot Representations of Words Word Vectors Word-Vector Arithmetic word2viz Localist Versus Distributed Representations Elements of Natural Human Language Google Duplex Summary 3 Machine Art A Boozy All-Nighter Arithmetic on Fake Human Faces Style Transfer: Converting Photos into Monet (and Vice Versa) Make Your Own Sketches Photorealistic Creating Photorealistic Images from Text Image Processing Using Deep Learning Summary 4 Game-Playing Machines Deep Learning, AI, and Other Beasts Artificial Intelligence Machine Learning Representation Learning Artificial Neural Networks Deep Learning Machine Vision Natural Language Processing Three Categories of Machine Learning Problems Supervised Learning Unsupervised Learning Reinforcement Learning Deep Reinforcement Learning Video Games Board Games AlphaGo AlphaGo Zero AlphaZero Manipulation of Objects Popular Deep Reinforcement Learning Environments OpenAI Gym DeepMind Lab Unity ML-Agents Three Categories of AI Artificial Narrow Intelligence Artificial General Intelligence Artificial Super Intelligence Summary Part II: Essential Theory Illustrated 5 The (Code) Cart Ahead of the (Theory) Horse Prerequisites Installation A Shallow Network in Keras The MNIST Handwritten Digits A Schematic Diagram of the Network Loading the Data Reformatting the Data Designing a Neural Network Architecture Training a Deep Learning Model Summary 6 Artificial Neurons Detecting Hot Dogs Biological Neuroanatomy 101 The Perceptron The Hot Dog / Not Hot Dog Detector The Most Important Equation in This Book Modern Neurons and Activation Functions The Sigmoid Neuron The Tanh Neuron ReLU: Rectified Linear Units Choosing a Neuron Summary Key Concepts 7 Artificial Neural Networks The Input Layer Dense Layers A Hot Dog-Detecting Dense Network Forward Propagation Through the First Hidden Layer Forward Propagation Through Subsequent Layers The Softmax Layer of a Fast Food-Classifying Network Revisiting Our Shallow Network Summary Key Concepts 8 Training Deep Networks Cost Functions Quadratic Cost Saturated Neurons Cross-Entropy Cost Optimization: Learning to Minimize Cost Gradient Descent Learning Rate Batch Size and Stochastic Gradient Descent Escaping the Local Minimum Backpropagation Tuning Hidden-Layer Count and Neuron Count An Intermediate Net in Keras Summary Key Concepts 9 Improving Deep Networks Weight Initialization Xavier Glorot Distributions Unstable Gradients Vanishing Gradients Exploding Gradients Batch Normalization Model Generalization (Avoiding Overfitting) L1 and L2 Regularization Dropout Data Augmentation Fancy Optimizers Momentum Nesterov Momentum AdaGrad AdaDelta and RMSProp Adam A Deep Neural Network in Keras Regression TensorBoard Summary Key Concepts Part III: Interactive Applications of Deep Learning 10 Machine Vision Convolutional Neural Networks The Two-Dimensional Structure of Visual Imagery Computational Complexity Convolutional Layers Multiple Filters A Convolutional Example Convolutional Filter Hyperparameters Pooling Layers LeNet-5 in Keras AlexNet and VGGNet in Keras Residual Networks Vanishing Gradients: The Bête Noire of Deep CNNs Residual Connections ResNet Applications of Machine Vision Object Detection Image Segmentation Transfer Learning Capsule Networks Summary Key Concepts 11 Natural Language Process Preprocessing Natural Language Data Tokenization Converting All Characters to Lowercase Removing Stop Words and Punctuation Stemming Handling n-grams Preprocessing the Full Corpus Creating Word Embeddings with word2vec The Essential Theory Behind word2vec Evaluating Word Vectors Running word2vec Plotting Word Vectors The Area under the ROC Curve The Confusion Matrix Calculating the ROC AUC Metric Natural Language Classification with Familiar Networks Loading the IMDb Film Reviews Examining the IMDb Data Standardizing the Length of the Reviews Dense Network Convolutional Networks Networks Designed for Sequential Data Recurrent Neural Networks Long Short-Term Memory Units Bidirectional LSTMs Stacked Recurrent Models Seq2seq and Attention Transfer Learning in NLP Non-sequential Architectures: The Keras Functional API Summary Key Concepts 12 Generative Adversarial Networks Essential GAN Theory The Quick, Draw! Dataset The Discriminator Network The Generator Network The Adversarial Network GAN Training Summary Key Concepts 13 Deep Reinforcement Learning Essential Theory of Reinforcement Learning The Cart-Pole Game Markov Decision Processes The Optimal Policy Essential Theory of Deep Q-Learning Networks Value Functions Q-Value Functions Estimating an Optimal Q-Value Defining a DQN Agent Initialization Parameters Building the Agent’s Neural Network Model Remembering Gameplay Training via Memory Replay Selecting an Action to Take Saving and Loading Model Parameters Interacting with an OpenAI Gym Environment Hyperparameter Optimization with SLM Lab Agents Beyond DQN Policy Gradients and the REINFORCE Algorithm The Actor-Critic Algorithm Summary Key Concepts Part IV: You and AI 14 Moving Forward with Your Own Deep Learning Projects Ideas for Deep Learning Projects Machine Vision and GANs Natural Language Processing Deep Reinforcement Learning Converting an Existing Machine Learning Project Resources for Further Projects Socially Beneficial Projects The Modeling Process, Including Hyperparameter Tuning Automation of Hyperparameter Search Deep Learning Libraries Keras and TensorFlow PyTorch MXNet, CNTK, Caffe, and So On Software 2.0 Approaching Artificial General Intelligence Summary Part V: Appendices Appendix A: Formal Neural Network Notation Appendix B: Backpropagation Appendix C: PyTorch PyTorch Features Autograd System Define-by-Run Framework PyTorch Versus TensorFlow PyTorch in Practice PyTorch Installation The Fundamental Units Within PyTorch Building a Deep Neural Network in PyTorch Index A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
