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: 1st edition نویسندگان: Gulli. Antonio, Pal. Sujit سری: ISBN (شابک) : 9781787128422, 1787128423 ناشر: Packt Publishing سال نشر: 2017;2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 37 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد.: داده کاوی، کتابهای الکترونیکی
در صورت تبدیل فایل کتاب Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games 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 Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. 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.
با اصول اولیه Keras آشنا شوید تا مدلهای یادگیری عمیق سریع و کارآمد را پیادهسازی کنید درباره این کتاب الگوریتمهای مختلف یادگیری عمیق را در Keras پیادهسازی کنید و ببینید که چگونه میتوان از یادگیری عمیق در بازیها استفاده کرد مشاهده مدلهای مختلف یادگیری عمیق و کاربرد عملی موارد را میتوان با استفاده از Keras پیادهسازی کرد. راهنمای عملی و عملی با مثالهای واقعی برای ارائه پایهای قوی در Keras Who This Book Is For. شبکه های عصبی، این کتاب را به عنوان یک نقطه ورود مفید برای یادگیری عمیق با Keras خواهید یافت. برای این کتاب دانش زبان پایتون لازم است. آنچه خواهید آموخت بهینه سازی گام به گام توابع در یک شبکه عصبی بزرگ با استفاده از الگوریتم پس انتشار تنظیم دقیق یک شبکه عصبی برای بهبود کیفیت نتایج استفاده از یادگیری عمیق برای پردازش تصویر و صدا استفاده از شبکه های تانسور عصبی بازگشتی (RNTN) برای عملکرد بهتر جاسازی کلمه استاندارد در موارد خاص شناسایی مشکلاتی که راه حل های شبکه عصبی بازگشتی (RNN) برای آنها مناسب است کاوش در فرآیند مورد نیاز برای پیاده سازی رمزگذارهای خودکار تکامل یک شبکه عصبی عمیق با استفاده از یادگیری تقویتی با جزئیات این کتاب با معرفی الگوریتم های یادگیری نظارت شده مانند خطی ساده شروع می شود. رگرسیون، پرسپترون چند لایه کلاسیک و شبکههای پیچیدهتر پیچیدهتر. همچنین پردازش تصویر را با تشخیص تصاویر رقمی دست نوشته، طبقه بندی تصاویر به دسته های مختلف و تشخیص پیشرفته اشیاء با حاشیه نویسی های تصویری مرتبط بررسی خواهید کرد. نمونه ای از شناسایی نقاط برجسته برای تشخیص چهره نیز ارائه شده است. در ادامه با شبکههای تکراری آشنا میشوید که برای پردازش دادههای توالی مانند متن، صدا یا سریهای زمانی بهینه شدهاند. پس از آن، با الگوریتم های یادگیری بدون نظارت مانند Autoencoder و شبکه های بسیار محبوب Generative Adversarial Networks (GAN) آشنا خواهید شد. همچنین کاربردهای غیر سنتی شبکه های عصبی را به عنوان Style Transfer بررسی خواهید کرد. در نهایت، Reinforcement Learning و کاربرد آن در بازیهای هوش مصنوعی، یکی دیگر از مسیرهای محبوب تحقیق و کاربرد شبکههای عصبی را بررسی خواهید کرد. سبک و رویکرد این کتاب راهنمای آسان برای دنبال کردن پر از مثال ها و برنامه های کاربردی در دنیای واقعی است که به شما کمک می کند تا درک عمیقی از Keras به دست آورید. این کتاب بیش از بیست شبکه عصبی عمیق که در پایتون با استفاده از Keras کدگذاری شده اند را به نمایش می گذارد. دانلود کد نمونه برای این ...
Get to grips with the basics of Keras to implement fast and efficient deep-learning models About This Book Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games See how various deep-learning models and practical use-cases can be implemented using Keras A practical, hands-on guide with real-world examples to give you a strong foundation in Keras Who This Book Is For If you are a data scientist with experience in machine learning or an AI programmer with some exposure to neural networks, you will find this book a useful entry point to deep-learning with Keras. A knowledge of Python is required for this book. What You Will Learn Optimize step-by-step functions on a large neural network using the Backpropagation Algorithm Fine-tune a neural network to improve the quality of results Use deep learning for image and audio processing Use Recursive Neural Tensor Networks (RNTNs) to outperform standard word embedding in special cases Identify problems for which Recurrent Neural Network (RNN) solutions are suitable Explore the process required to implement Autoencoders Evolve a deep neural network using reinforcement learning In Detail This book starts by introducing you to supervised learning algorithms such as simple linear regression, the classical multilayer perceptron and more sophisticated deep convolutional networks. You will also explore image processing with recognition of hand written digit images, classification of images into different categories, and advanced objects recognition with related image annotations. An example of identification of salient points for face detection is also provided. Next you will be introduced to Recurrent Networks, which are optimized for processing sequence data such as text, audio or time series. Following that, you will learn about unsupervised learning algorithms such as Autoencoders and the very popular Generative Adversarial Networks (GAN). You will also explore non-traditional uses of neural networks as Style Transfer. Finally, you will look at Reinforcement Learning and its application to AI game playing, another popular direction of research and application of neural networks. Style and approach This book is an easy-to-follow guide full of examples and real-world applications to help you gain an in-depth understanding of Keras. This book will showcase more than twenty working Deep Neural Networks coded in Python using Keras. Downloading the example code for thi ...
1. Neural Networks Foundations 2. Keras Installation and API 3. Deep Learning with ConvNets 4. Generative Adversarial Networks and WaveNet 5. Word Embeddings 6. Recurrent Neural Network — RNN 7. Additional Deep Learning Models 8. AI Game Playing 9. Conclusion