دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Dev. Dipayan
سری:
ISBN (شابک) : 9781787121232, 1787121232
ناشر: Packt Publishing
سال نشر: 2017
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری عمیق با Hadoop: ایجاد، پیاده سازی و مقیاس مدل های آموزشی عمیق توزیع برای مجموعه داده های بزرگ در مقیاس: Apache Hadoop، کامپیوترها / پردازش داده ها، کامپیوترها / توسعه نرم افزار و مهندسی / عمومی، پردازش الکترونیکی - پردازش توزیع شده، داده های بزرگ، نرم افزار کاربردی - توسعه
در صورت تبدیل فایل کتاب Deep learning with Hadoop : build, implement and scale distributed deep learning models for large-scale datasets 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 با Hadoop: ایجاد، پیاده سازی و مقیاس مدل های آموزشی عمیق توزیع برای مجموعه داده های بزرگ در مقیاس 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.
ساخت، پیادهسازی و مقیاسبندی مدلهای یادگیری عمیق توزیعشده برای مجموعههای داده در مقیاس بزرگ درباره این کتاب با مفاهیم یادگیری عمیق آشنا شوید و Hadoop را برای استفاده از آنها راهاندازی کنید. یادگیری با هدوپ این کتاب برای چه کسی است اگر شما یک دانشمند داده هستید و می خواهید یاد بگیرید که چگونه یادگیری عمیق را در هادوپ انجام دهید، این کتاب برای شماست. برای استفاده بهینه از این کتاب، دانستن مفاهیم اولیه یادگیری ماشین و مقداری درک Hadoop لازم است. آنچه یاد خواهید گرفت یادگیری عمیق و مدل های مختلف مرتبط با آن را بشناسید چالش های پیاده سازی یادگیری عمیق توزیع شده با Hadoop و نحوه غلبه بر آن را درک کنید. توضیح ریاضی برای پیادهسازی شبکههای عصبی بازگشتی (RNN) تمرین یادگیری عمیق و پیادهسازی آنها را با Hadoop انجام دهید. در جزئیات این کتاب به شما می آموزد که چگونه مجموعه داده های مقیاس بزرگ را در شبکه های عصبی عمیق با Hadoop برای عملکرد بهینه استقرار دهید. این کتاب با درک اینکه یادگیری عمیق چیست و مدلهای مختلف مرتبط با شبکههای عصبی عمیق چیست، به شما نشان میدهد که چگونه محیط Hadoop را برای یادگیری عمیق تنظیم کنید. در این کتاب، شما همچنین یاد خواهید گرفت که چگونه بر چالش هایی که در حین پیاده سازی یادگیری عمیق توزیع شده با مجموعه داده های بدون ساختار در مقیاس بزرگ با آن مواجه هستید، غلبه کنید. این کتاب همچنین به شما نشان میدهد که چگونه میتوانید مدلهای یادگیری عمیق پرکاربرد مانند شبکههای باور عمیق، شبکههای عصبی کانولوشنال، شبکههای عصبی تکراری، ماشینهای محدود بولتزمن و رمزگذار خودکار را با استفاده از کتابخانه یادگیری عمیق deeplearning4j پیادهسازی و موازی کنید. توضیحات ریاضی و نمایش تصویری عمیق را دریافت کنید تا به شما در درک طراحی و پیاده سازی شبکه عصبی تکراری و رمزگذاری خودکار حذف نویز با deeplearning4j کمک کند. برای اینکه دیدگاه کاربردیتری به شما بدهد، این کتاب همچنین اجرای پردازش ویدیویی در مقیاس بزرگ، پردازش تصویر و پردازش زبان طبیعی در Hadoop را به شما آموزش میدهد. در پایان این کتاب، نحوه استقرار شبکه های عصبی عمیق مختلف در سیستم های توزیع شده با استفاده از Hadoop را خواهید آموخت. سبک و رویکرد این کتاب یک رویکرد جامع و گام به گام برای پیادهسازی مدلهای یادگیری عمیق کارآمد در Hadoop دارد. از مبانی شروع می شود و دانش خوانندگان را با تقویت درک خود از مفاهیم تقویت می کند. نمونه های عملی در هر مرحله از راه برای تکمیل نظریه گنجانده شده است.
Build, implement and scale distributed deep learning models for large-scale datasets About This Book Get to grips with the deep learning concepts and set up Hadoop to put them to use Implement and parallelize deep learning models on Hadoop's YARN framework A comprehensive tutorial to distributed deep learning with Hadoop Who This Book Is For If you are a data scientist who wants to learn how to perform deep learning on Hadoop, this is the book for you. Knowledge of the basic machine learning concepts and some understanding of Hadoop is required to make the best use of this book. What You Will Learn Explore Deep Learning and various models associated with it Understand the challenges of implementing distributed deep learning with Hadoop and how to overcome it Implement Convolutional Neural Network (CNN) with deeplearning4j Delve into the implementation of Restricted Boltzmann Machines (RBM) Understand the mathematical explanation for implementing Recurrent Neural Networks (RNN) Get hands on practice of deep learning and their implementation with Hadoop. In Detail This book will teach you how to deploy large-scale dataset in deep neural networks with Hadoop for optimal performance. Starting with understanding what deep learning is, and what the various models associated with deep neural networks are, this book will then show you how to set up the Hadoop environment for deep learning. In this book, you will also learn how to overcome the challenges that you face while implementing distributed deep learning with large-scale unstructured datasets. The book will also show you how you can implement and parallelize the widely used deep learning models such as Deep Belief Networks, Convolutional Neural Networks, Recurrent Neural Networks, Restricted Boltzmann Machines and autoencoder using the popular deep learning library deeplearning4j. Get in-depth mathematical explanations and visual representations to help you understand the design and implementations of Recurrent Neural network and Denoising AutoEncoders with deeplearning4j. To give you a more practical perspective, the book will also teach you the implementation of large-scale video processing, image processing and natural language processing on Hadoop. By the end of this book, you will know how to deploy various deep neural networks in distributed systems using Hadoop. Style and approach This book takes a comprehensive, step-by-step approach to implement efficient deep learning models on Hadoop. It starts from the basics and builds the readers' knowledge as they strengthen their understanding of the concepts. Practical examples are included in every step of the way to supplement the theory.