مشخصات کتاب

Deep Learning in Python: Master Data Science and Machine Learning with Modern Neural Networks written in Python, Theano, and TensorFlow

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: LazyProgrammer  
سری:  
 
ناشر: LazyProgrammer 
سال نشر: 2016 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 203 کیلوبایت 

در صورت تبدیل فایل کتاب Deep Learning in Python: Master Data Science and Machine Learning with Modern Neural Networks written in Python, Theano, and TensorFlow 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 در پایتون: کارشناسی ارشد علوم داده و یادگیری ماشین با شبکه های عصبی مدرن نوشته شده در پایتون ، Theano و TensorFlow 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 در پایتون: کارشناسی ارشد علوم داده و یادگیری ماشین با شبکه های عصبی مدرن نوشته شده در پایتون ، Theano و TensorFlow

یادگیری عمیق موج ایجاد می کند. در زمان نگارش این مقاله (مارس 2016)، برنامه AlghaGo گوگل فقط در بازی Go، یک بازی رومیزی چینی، لی سدول، بازیکن حرفه ای 9 دان Go را شکست داد. کارشناسان حوزه هوش مصنوعی فکر می کردند 10 سال تا پیروزی مقابل یک بازیکن برتر حرفه ای Go فاصله داریم، اما به نظر می رسد پیشرفت سرعت گرفته است! در حالی که یادگیری عمیق یک موضوع پیچیده است، یادگیری آن دشوارتر از هر الگوریتم یادگیری ماشین دیگری نیست. این کتاب را نوشتم تا شما را با اصول اولیه شبکه های عصبی آشنا کنم. با مهارت های ریاضی و برنامه نویسی در مقطع کارشناسی به خوبی کنار می آیید. تمامی مطالب این کتاب به صورت رایگان قابل دانلود و نصب است. ما از زبان برنامه نویسی پایتون به همراه کتابخانه محاسباتی عددی Numpy استفاده خواهیم کرد. همچنین در فصل‌های بعدی به شما نشان خواهم داد که چگونه با استفاده از Theano و TensorFlow یک شبکه عمیق بسازید، که کتابخانه‌هایی هستند که به طور خاص برای یادگیری عمیق ساخته شده‌اند و می‌توانند محاسبات را با استفاده از GPU تسریع کنند. برخلاف سایر الگوریتم‌های یادگیری ماشینی، یادگیری عمیق بسیار قدرتمند است زیرا به طور خودکار ویژگی‌ها را یاد می‌گیرد. این بدان معناست که نیازی نیست وقت خود را صرف تلاش برای یافتن و آزمایش «هسته‌ها» یا «اثرات متقابل» کنید - کاری که فقط آماردانان دوست دارند انجام دهند. در عوض، به شبکه عصبی اجازه می دهیم این چیزها را برای ما یاد بگیرد. هر لایه از شبکه عصبی انتزاعی متفاوت از لایه های قبلی را می آموزد. به عنوان مثال در طبقه بندی تصاویر، لایه اول ممکن است استروک های مختلف را یاد بگیرد و در لایه بعدی برای یادگیری اشکال، شکل ها را کنار هم قرار دهد و در لایه بعدی شکل ها را کنار هم قرار دهد تا ویژگی های صورت را تشکیل دهد و در لایه بعدی دارای یک بالا باشد. نمایش سطح چهره ها علاوه بر همه اینها، یادگیری عمیق به دلیل برنده شدن در مسابقات Kaggle به اشتراک گذاشته شده است. این‌ها مسابقات یادگیری ماشینی هستند که برای هر کسی در جهان که مجاز است از هر تکنیک یادگیری ماشینی که می‌خواهد استفاده کند آزاد است. یادگیری عمیق آنقدر قدرتمند است. آیا می‌خواهید مقدمه‌ای ملایم برای این «هنر تاریک» با نمونه‌های کد عملی داشته باشید که می‌توانید فوراً امتحان کنید و روی داده‌های خود اعمال کنید؟ پس این کتاب برای شماست. این کتاب برای چه کسانی نیست؟ یادگیری عمیق و شبکه های عصبی معمولاً در مقطع کارشناسی ارشد تدریس می شوند. این باید در مورد نوع دانشی که برای درک این نوع مطالب نیاز دارید، ایده ای به شما بدهد. شما برای درک یادگیری عمیق، بدون توجه به اینکه مربی چقدر کارها را ساده می کند، کاملاً به محاسبات نیاز دارید. جبر خطی کمک خواهد کرد. من فرض می کنم که با پایتون آشنایی دارم (اگرچه زبان ساده ای است). شما باید مفهومی از یادگیری ماشین داشته باشید. اگر قبلاً در مورد الگوریتم هایی مانند رگرسیون لجستیک می دانید، این کتاب برای شما عالی است. اگر نه، ممکن است بخواهید کتاب «پیش‌نیازها» من را در آدرس زیر بررسی کنید: http://amzn.com/B01D7GDRQ2 از طرفی این کتاب بیشتر شبیه یک پرایمر معمولی است تا یک کتاب درسی خشک. اگر به دنبال مطالبی در مورد موضوعات پیشرفته‌تر مانند LSTMs، شبکه‌های عصبی کانولوشن یا یادگیری تقویتی هستید، من دوره‌های آنلاینی دارم که این مطالب را آموزش می‌دهند، به عنوان مثال: https://www.udemy.com/deep-learning-convolutional- شبکه های عصبی-theano-tensorflow کتابخانه های جدیدی مانند TensorFlow به طور مداوم به روز می شوند. این یک دایره المعارف برای این کتابخانه ها نیست (زیرا به روز نگه داشتن چنین چیزی غیرممکن است). در یک (1!!!) ماه از اولین انتشار کتاب، کمتر از سه کتابخانه پوششی جدید برای TensorFlow منتشر شده است تا کدگذاری شبکه های عمیق را آسان تر کند. تلاش برای گنجاندن هر به‌روزرسانی کوچک نه تنها غیرممکن است، بلکه به طور مداوم باعث منسوخ شدن بخش‌هایی از کتاب می‌شود. هیچ کس آن را نمی خواهد. این کتاب، در عوض، شامل مبانی است. درک این بلوک‌های سازنده، کار با این کتابخانه‌ها و ویژگی‌های جدید را به یک تکه کیک تبدیل می‌کند - این هدف من است.

توضیحاتی درمورد کتاب به خارجی

Deep learning is making waves. At the time of this writing (March 2016), Google’s AlghaGo program just beat 9-dan professional Go player Lee Sedol at the game of Go, a Chinese board game. Experts in the field of Artificial Intelligence thought we were 10 years away from achieving a victory against a top professional Go player, but progress seems to have accelerated! While deep learning is a complex subject, it is not any more difficult to learn than any other machine learning algorithm. I wrote this book to introduce you to the basics of neural networks. You will get along fine with undergraduate-level math and programming skill. All the materials in this book can be downloaded and installed for free. We will use the Python programming language, along with the numerical computing library Numpy. I will also show you in the later chapters how to build a deep network using Theano and TensorFlow, which are libraries built specifically for deep learning and can accelerate computation by taking advantage of the GPU. Unlike other machine learning algorithms, deep learning is particularly powerful because it automatically learns features. That means you don’t need to spend your time trying to come up with and test “kernels” or “interaction effects” - something only statisticians love to do. Instead, we will let the neural network learn these things for us. Each layer of the neural network learns a different abstraction than the previous layers. For example, in image classification, the first layer might learn different strokes, and in the next layer put the strokes together to learn shapes, and in the next layer put the shapes together to form facial features, and in the next layer have a high level representation of faces. On top of all this, deep learning is known for winning its fair share Kaggle contests. These are machine learning contests that are open to anyone in the world who are allowed to use any machine learning technique they want. Deep learning is that powerful. Do you want a gentle introduction to this “dark art”, with practical code examples that you can try right away and apply to your own data? Then this book is for you. Who is this book NOT for? Deep Learning and Neural Networks are usually taught at the upper-year undergraduate level. That should give you some idea of the type of knowledge you need to understand this kind of material. You absolutely need exposure to calculus to understand deep learning, no matter how simple the instructor makes things. Linear algebra would help. I will assume familiarity with Python (although it is an easy language to pick up). You will need to have some concept of machine learning. If you know about algorithms like logistic regression already, this book is perfect for you. If not, you might want to check out my “prerequisites” book, at: http://amzn.com/B01D7GDRQ2 On the other hand, this book is more like a casual primer than a dry textbook. If you are looking for material on more advanced topics, like LSTMs, convolutional neural networks, or reinforcement learning, I have online courses that teach this material, for example: https://www.udemy.com/deep-learning-convolutional-neural-networks-theano-tensorflow New libraries like TensorFlow are being updated constantly. This is not an encyclopedia for these libraries (as such a thing would be impossible to keep up to date). In the one (1!!!) month since the book was first published, no less than THREE new wrapper libraries for TensorFlow have been released to make coding deep networks easier. To try and incorporate every little update would not only be impossible, but would continually cause parts of the book to be obsolete. Nobody wants that. This book, rather, includes fundamentals. Understanding these building blocks will make tackling these new libraries and features a piece of cake - that is my goal.

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Python Data Analytics: With Pandas, NumPy, and Matplotlib

دانلود کتاب Handbook of Semantic Web Technologies

دانلود کتاب Machine Learning Algorithms for Signal and Image Processing

دانلود کتاب Artificial Intelligence for Cyber-Physical Systems Hardening

دانلود کتاب Learning to Rank for Information Retrieval

دانلود کتاب Practical Text Mining and Statistical Analysis for Non-structured Text Data Applications

دانلود کتاب Computational linguistic text processing: lexicon, grammar, parsing, and anaphora resolution

دانلود کتاب The Prometheus Project, Mankind’s Search for Long-Range Goals

دانلود کتاب Штучн? нейронн? мереж?

دانلود کتاب Artificial intelligence: A modern approach