ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Deep Learning Interviews: Hundreds of fully solved job interview questions from a wide range of key topics in AI

دانلود کتاب مصاحبه های یادگیری عمیق: صدها سوال کاملاً مصاحبه شغلی حل شده از طیف گسترده ای از موضوعات اصلی در هوش مصنوعی

Deep Learning Interviews: Hundreds of fully solved job interview questions from a wide range of key topics in AI

مشخصات کتاب

Deep Learning Interviews: Hundreds of fully solved job interview questions from a wide range of key topics in AI

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 1916243568, 9781916243569 
ناشر: Interviews AI 
سال نشر: 2020 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت

قیمت کتاب (تومان) : 53,000



کلمات کلیدی مربوط به کتاب مصاحبه های یادگیری عمیق: صدها سوال کاملاً مصاحبه شغلی حل شده از طیف گسترده ای از موضوعات اصلی در هوش مصنوعی: یادگیری ماشینی، یادگیری عمیق، پایتون، برنامه‌نویسی احتمالی، شبکه‌های عصبی کانولوشن، استنتاج بیزی، نزول گرادیان، تنظیم فراپارامتر، رگرسیون لجستیک، یادگیری گروهی، پرسپترون، تخمین حداکثر احتمال، PyTorch، توابع فعال‌سازی، کیسه‌های مستقیم، گراف، آنتروپی نظریه، پس انتشار، شبکه های عصبی پیشخور، تقویت



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Deep Learning Interviews: Hundreds of fully solved job interview questions from a wide range of key topics in AI 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 مصاحبه های یادگیری عمیق: صدها سوال کاملاً مصاحبه شغلی حل شده از طیف گسترده ای از موضوعات اصلی در 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 مصاحبه های یادگیری عمیق: صدها سوال کاملاً مصاحبه شغلی حل شده از طیف گسترده ای از موضوعات اصلی در هوش مصنوعی

مصاحبه های یادگیری عمیق خانه صدها مشکل کاملاً حل شده از طیف گسترده ای از موضوعات کلیدی در هوش مصنوعی است. این برنامه هم برای تمرین مصاحبه یا امتحان موضوعات خاص طراحی شده است و هم برای M.Sc./Ph.D. دانش‌آموزان و کسانی که منتظر مصاحبه هستند، یک نمای کلی سازماندهی شده از این رشته دارند. مشکلاتی که ایجاد می کند به اندازه کافی سخت است که دندان های شما را کوتاه کند و مهارت های شما را به طور چشمگیری بهبود بخشد - اما آنها در قالب سؤالات تفکر برانگیز و داستان های جذاب قرار دارند. این همان چیزی است که این جلد را برای دانش‌آموزان و جویندگان کار بسیار ارزشمند می‌کند: توانایی صحبت کردن با اطمینان و سریع در مورد هر موضوع مرتبط، پاسخگویی واضح و صحیح به سؤالات فنی و درک کامل هدف و معنای سؤالات مصاحبه را در اختیار آنها قرار می‌دهد. و پاسخ می دهد. اینها مزایای قدرتمند و ضروری برای ورود به اتاق مصاحبه هستند. محتویات کتاب فهرست بزرگی از موضوعات متعدد مرتبط با مصاحبه های شغلی DL و آزمون های سطح فارغ التحصیلی است. که این کار را در خط مقدم روند رو به رشد علم برای آموزش مجموعه ای اصلی از مهارت های عملی ریاضی و محاسباتی قرار می دهد. به طور گسترده پذیرفته شده است که آموزش هر دانشمند کامپیوتر باید شامل قضایای اساسی ML باشد و هوش مصنوعی تقریباً در برنامه درسی هر دانشگاه ظاهر می شود. این جلد به عنوان یک مرجع عالی برای فارغ التحصیلان چنین برنامه هایی طراحی شده است. • کتاب تقریباً 400 صفحه است • صدها مشکل به طور کامل حل شده است • مشکلات از حوزه های متعدد یادگیری عمیق • نمودارها و تصاویر واضح • یک شاخص جامع • راه حل های گام به گام برای مشکلات • نه فقط پاسخ های داده شده، بلکه کار نشان داده شده • نه فقط کار نشان داده شده، بلکه استدلال ارائه شده در صورت لزوم این کتاب برای شما نوشته شده است: یک دانشمند داده مشتاق با پیشینه کمی، که با دستکش فرآیند مصاحبه در یک زمینه رقابتی فزاینده روبروست. برای بسیاری از شما، فرآیند مصاحبه مهم ترین مانع بین شما و یک شغل رویایی است. حتی با وجود اینکه توانایی، پیشینه و انگیزه برای برتری در موقعیت هدف خود را دارید، ممکن است به راهنمایی در مورد چگونگی وارد کردن پای خود به درب نیاز داشته باشید. کنجکاوی شما شما را از طریق مجموعه مسائل، فرمول ها و دستورالعمل های کتاب می کشاند و با پیشرفت، درک خود را از یادگیری عمیق عمیق تر خواهید کرد. ارتباطات پیچیده ای بین حساب دیفرانسیل و انتگرال، رگرسیون لجستیک، آنتروپی و نظریه یادگیری عمیق وجود دارد. از طریق کتاب کار کنید، و این ارتباطات بصری خواهد بود. حوزه های موضوعی اصلی (جلد-I): جلد اول کتاب بر دیدگاه های آماری تمرکز دارد و مبانی پس زمینه را با ایده های اصلی و دانش عملی ترکیب می کند. فصول اختصاصی در این زمینه وجود دارد: • نظریه اطلاعات • حساب دیفرانسیل و انتگرال و تمایز الگوریتمی • یادگیری عمیق بیزی و برنامه ریزی احتمالی • رگرسیون لجستیک • آموزش گروهی • استخراج ویژگی • یادگیری عمیق: فصل توسعه یافته (بیش از 100 صفحه) این فصل ها در کنار چندین درمان عمیق از موضوعات در یادگیری عمیق با مثال های کد در PyTorch، Python و C++ ظاهر می شوند. وب سایت نویسنده: http://www.interviews.ai


توضیحاتی درمورد کتاب به خارجی

Deep Learning Interviews is home to hundreds of fully-solved problems, from a wide range of key topics in AI. It is designed to both rehearse interview or exam specific topics and provide machine learning M.Sc./Ph.D. students, and those awaiting an interview a well-organized overview of the field. The problems it poses are tough enough to cut your teeth on and to dramatically improve your skills-but they’re framed within thought-provoking questions and engaging stories. That is what makes the volume so specifically valuable to students and job seekers: it provides them with the ability to speak confidently and quickly on any relevant topic, to answer technical questions clearly and correctly, and to fully understand the purpose and meaning of interview questions and answers. Those are powerful, indispensable advantages to have when walking into the interview room. The book’s contents is a large inventory of numerous topics relevant to DL job interviews and graduate level exams. That places this work at the forefront of the growing trend in science to teach a core set of practical mathematical and computational skills. It is widely accepted that the training of every computer scientist must include the fundamental theorems of ML, and AI appears in the curriculum of nearly every university. This volume is designed as an excellent reference for graduates of such programs. • The book spans almost 400 pages • Hundreds of fully-solved problems • Problems from numerous areas of deep learning • Clear diagrams and illustrations • A comprehensive index • Step-by-step solutions to problems • Not just the answers given, but the work shown • Not just the work shown, but reasoning given where appropriate This book was written for you: an aspiring data scientist with a quantitative background, facing down the gauntlet of the interview process in an increasingly competitive field. For most of you, the interview process is the most significant hurdle between you and a dream job. Even though you have the ability, the background, and the motivation to excel in your target position, you might need some guidance on how to get your foot in the door. Your curiosity will pull you through the book’s problem sets, formulas, and instructions, and as you progress, you’ll deepen your understanding of deep learning. There are intricate connections between calculus, logistic regression, entropy, and deep learning theory; work through the book, and those connections will feel intuitive. CORE SUBJECT AREAS (VOLUME-I): VOLUME-I of the book focuses on statistical perspectives and blends background fundamentals with core ideas and practical knowledge. There are dedicated chapters on: • Information Theory • Calculus & Algorithmic Differentiation • Bayesian Deep Learning & Probabilistic Programming • Logistic Regression • Ensemble Learning • Feature Extraction • Deep Learning: expanded chapter (100+ pages) These chapters appear alongside numerous in-depth treatments of topics in Deep Learning with code examples in PyTorch, Python and C++. Author website: http://www.interviews.ai



فهرست مطالب

cover-amazon-print
	Untitled
Manuscrit
	Copyright
	I Rusty Nail
		1 HOW-TO USE THIS BOOK
			1.1 Introduction
				1.1.1 What makes this book so valuable
				1.1.2 What will I learn
				1.1.3 How to Work Problems
				1.1.4 Types of Problems
	II Kindergarten
		2 LOGISTIC REGRESSION
			2.1 Introduction
			2.2 Problems
				2.2.1 General Concepts
				2.2.2 Odds, Log-odds
				2.2.3 The Sigmoid
				2.2.4 Truly Understanding Logistic Regression
				2.2.5 The Logit Function and Entropy
				2.2.6 Python/PyTorch/CPP
			2.3 Solutions
				2.3.1 General Concepts
				2.3.2 Odds, Log-odds
				2.3.3 The Sigmoid
				2.3.4 Truly Understanding Logistic Regression
				2.3.5 The Logit Function and Entropy
				2.3.6 Python, PyTorch, CPP
		3 PROBABILISTIC PROGRAMMING & BAYESIAN DL
			3.1 Introduction
			3.2 Problems
				3.2.1 Expectation and Variance
				3.2.2 Conditional Probability
				3.2.3 Bayes Rule
				3.2.4 Maximum Likelihood Estimation
				3.2.5 Fisher Information
				3.2.6 Posterior & prior predictive distributions
				3.2.7 Conjugate priors
				3.2.8 Bayesian Deep Learning
			3.3 Solutions
				3.3.1 Expectation and Variance
				3.3.2 Conditional Probability
				3.3.3 Bayes Rule
				3.3.4 Maximum Likelihood Estimation
				3.3.5 Fisher Information
				3.3.6 Posterior & prior predictive distributions
				3.3.7 Conjugate priors
				3.3.8 Bayesian Deep Learning
	III High School
		4 INFORMATION THEORY
			4.1 Introduction
			4.2 Problems
				4.2.1 Logarithms in Information Theory
				4.2.2 Shannon\'s Entropy
				4.2.3 Kullback-Leibler Divergence (KLD)
				4.2.4 Classification and Information Gain
				4.2.5 Mutual Information
				4.2.6 Mechanical Statistics
				4.2.7 Jensen\'s inequality
			4.3 Solutions
				4.3.1 Logarithms in Information Theory
				4.3.2 Shannon\'s Entropy
				4.3.3 Kullback-Leibler Divergence
				4.3.4 Classification and Information Gain
				4.3.5 Mutual Information
				4.3.6 Mechanical Statistics
				4.3.7 Jensen\'s inequality
		5 DEEP LEARNING: CALCULUS, ALGORITHMIC DIFFERENTIATION
			5.1 Introduction
			5.2 Problems
				5.2.1 AD, Gradient descent & Backpropagation
				5.2.2 Numerical differentiation
				5.2.3 Directed Acyclic Graphs
				5.2.4 The chain rule
				5.2.5 Taylor series expansion
				5.2.6 Limits and continuity
				5.2.7 Partial derivatives
				5.2.8 Optimization
				5.2.9 The Gradient descent algorithm
				5.2.10 The Backpropagation algorithm
				5.2.11 Feed forward neural networks
				5.2.12 Activation functions, Autograd/JAX
				5.2.13 Dual numbers in AD
				5.2.14 Forward mode AD
				5.2.15 Forward mode AD table construction
				5.2.16 Symbolic differentiation
				5.2.17 Simple differentiation
				5.2.18 The Beta-Binomial model
			5.3 Solutions
				5.3.1 Algorithmic differentiation, Gradient descent
				5.3.2 Numerical differentiation
				5.3.3 Directed Acyclic Graphs
				5.3.4 The chain rule
				5.3.5 Taylor series expansion
				5.3.6 Limits and continuity
				5.3.7 Partial derivatives
				5.3.8 Optimization
				5.3.9 The Gradient descent algorithm
				5.3.10 The Backpropagation algorithm
				5.3.11 Feed forward neural networks
				5.3.12 Activation functions, Autograd/JAX
				5.3.13 Dual numbers in AD
				5.3.14 Forward mode AD
				5.3.15 Forward mode AD table construction
				5.3.16 Symbolic differentiation
				5.3.17 Simple differentiation
				5.3.18 The Beta-Binomial model
	IV Bachelors
		6 DEEP LEARNING: NN ENSEMBLES
			6.1 Introduction
			6.2 Problems
				6.2.1 Bagging, Boosting and Stacking
				6.2.2 Approaches for Combining Predictors
				6.2.3 Monolithic and Heterogeneous Ensembling
				6.2.4 Ensemble Learning
				6.2.5 Snapshot Ensembling
				6.2.6 Multi-model Ensembling
				6.2.7 Learning-rate Schedules in Ensembling
			6.3 Solutions
				6.3.1 Bagging, Boosting and Stacking
				6.3.2 Approaches for Combining Predictors
				6.3.3 Monolithic and Heterogeneous Ensembling
				6.3.4 Ensemble Learning
				6.3.5 Snapshot Ensembling
				6.3.6 Multi-model Ensembling
				6.3.7 Learning-rate Schedules in Ensembling
		7 DEEP LEARNING: CNN FEATURE EXTRACTION
			7.1 Introduction
			7.2 Problems
				7.2.1 CNN as Fixed Feature Extractor
				7.2.2 Fine-tuning CNNs
				7.2.3 Neural style transfer, NST
			7.3 Solutions
				7.3.1 CNN as Fixed Feature Extractor
				7.3.2 Fine-tuning CNNs
				7.3.3 Neural style transfer
		8 DEEP LEARNING
			8.1 Introduction
			8.2 Problems
				8.2.1 Cross Validation
				8.2.2 Convolution and correlation
				8.2.3 Similarity measures
				8.2.4 Perceptrons
				8.2.5 Activation functions (rectification)
				8.2.6 Performance Metrics
				8.2.7 NN Layers, topologies, blocks
				8.2.8 Training, hyperparameters
				8.2.9 Optimization, Loss
			8.3 Solutions
				8.3.1 Cross Validation
				8.3.2 Convolution and correlation
				8.3.3 Similarity measures
				8.3.4 Perceptrons
				8.3.5 Activation functions (rectification)
				8.3.6 Performance Metrics
				8.3.7 NN Layers, topologies, blocks
				8.3.8 Training, hyperparameters
				8.3.9 Optimization, Loss
	V Practice Exam
		9 JOB INTERVIEW MOCK EXAM
			9.0.1 Rules
			9.1 Problems
				9.1.1 Perceptrons
				9.1.2 CNN layers
				9.1.3 Classification, Logistic regression
				9.1.4 Information theory
				9.1.5 Feature extraction
				9.1.6 Bayesian deep learning
	VI Volume two
		10 VOLUME TWO - PLAN
			10.1 Introduction
			10.2 AI system design
			10.3 Advanced CNN topologies
			10.4 1D CNN\'s
			10.5 3D CNN\'s
			10.6 Data augmentations
			10.7 Object detection
			10.8 Object segmentation
			10.9 Semantic segmentation
			10.10 Instance segmentation
			10.11 Image classification
			10.12 Image captioning
			10.13 NLP
			10.14 RNN
			10.15 LSTM
			10.16 GANs
			10.17 Adversarial attacks and defences
			10.18 Variational auto encoders
			10.19 FCN
			10.20 Seq2Seq
			10.21 Monte carlo, ELBO, Re-parametrization
			10.22 Text to speech
			10.23 Speech to text
			10.24 CRF
			10.25 Quantum computing
			10.26 RL




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی