Deep Learning with Python: A Hands-on Introduction

ویرایش: 1 
نویسندگان: Nikhil Ketkar (auth.)  
سری:  
ISBN (شابک) : 9781484227664, 9781484227657 
ناشر: Apress 
سال نشر: 2017 
تعداد صفحات: 169 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 7 مگابایت 

قیمت کتاب (تومان) : 47,000



جنبه‌های عملی پیاده‌سازی راه‌حل‌های یادگیری عمیق با استفاده از اکوسیستم غنی پایتون را کشف کنید. این کتاب با آشنا کردن شما با چارچوب‌های یادگیری عمیق مانند Keras، Theano و Caffe، شکاف بین پیشرفته‌ترین آکادمیک و پیشرفته‌ترین صنعت را پر می‌کند. عملی بودن این چارچوب‌ها اغلب با خواندن کد منبع، کتابچه‌های راهنما و ارسال سؤالات در انجمن‌های انجمن، که روندی آهسته و دردناک است، توسط پزشکان به دست می‌آید. یادگیری عمیق با پایتونبه شما امکان می دهد در مدت زمان کوتاهی به چنین دانش عملی دست پیدا کنید و بیشتر بر روی دامنه، مدل ها و الگوریتم ها تمرکز کنید.
این کتاب به طور خلاصه پیش نیازهای ریاضی را پوشش می دهد. و اصول یادگیری عمیق، این کتاب را به نقطه شروع خوبی برای توسعه دهندگان نرم افزاری تبدیل می کند که می خواهند یادگیری عمیق را شروع کنند. یک بررسی مختصر از معماری‌های یادگیری عمیق نیز گنجانده شده است.
یادگیری عمیق با پایتون همچنین شما را با مفاهیم کلیدی تمایز خودکار و محاسبات GPU آشنا می‌کند که اگرچه برای یادگیری عمیق مرکزی نیستند، اما در مواردی حیاتی هستند. به انجام آزمایشات در مقیاس بزرگ می رسد.
آنچه یاد خواهید گرفت

• از چارچوب های یادگیری عمیق در پایتون استفاده کنید، یعنی Keras، Theano و Caffe
  
• اصول یادگیری عمیق را به دست آورید با پیش نیازهای ریاضی
  
• کشف ملاحظات عملی آزمایش‌های مقیاس بزرگ
  
• مدل‌های یادگیری عمیق را به تولید ببرید
  

این کتاب برای چه کسی است
توسعه دهندگان نرم افزاری که می خواهند یادگیری عمیق را به عنوان راه حلی عملی برای یک مشکل خاص امتحان کنند. توسعه‌دهندگان نرم‌افزار در یک تیم علم داده که می‌خواهند مدل‌های یادگیری عمیق توسعه‌یافته توسط دانشمندان داده را به تولید برسانند.

Discover the practical aspects of implementing deep-learning solutions using the rich Python ecosystem. This book bridges the gap between the academic state-of-the-art and the industry state-of-the-practice by introducing you to deep learning frameworks such as Keras, Theano, and Caffe. The practicalities of these frameworks is often acquired by practitioners by reading source code, manuals, and posting questions on community forums, which tends to be a slow and a painful process. Deep Learning with Python allows you to ramp up to such practical know-how in a short period of time and focus more on the domain, models, and algorithms.
This book briefly covers the mathematical prerequisites and fundamentals of deep learning, making this book a good starting point for software developers who want to get started in deep learning. A brief survey of deep learning architectures is also included.
Deep Learning with Python also introduces you to key concepts of automatic differentiation and GPU computation which, while not central to deep learning, are critical when it comes to conducting large scale experiments.
What You Will Learn

• Leverage deep learning frameworks in Python namely, Keras, Theano, and Caffe
  
• Gain the fundamentals of deep learning with mathematical prerequisites
  
• Discover the practical considerations of large scale experiments
  
• Take deep learning models to production
  

Who This Book Is For
Software developers who want to try out deep learning as a practical solution to a particular problem. Software developers in a data science team who want to take deep learning models developed by data scientists to production.

Front Matter....Pages i-xv
Introduction to Deep Learning....Pages 1-4
Machine Learning Fundamentals....Pages 5-14
Feed Forward Neural Networks....Pages 15-31
Introduction to Theano....Pages 33-59
Convolutional Neural Networks....Pages 61-76
Recurrent Neural Networks....Pages 77-94
Introduction to Keras....Pages 95-109
Stochastic Gradient Descent....Pages 111-130
Automatic Differentiation....Pages 131-146
Introduction to GPUs....Pages 147-156
Back Matter....Pages 157-160