دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning with R, Second Edition
دانلود کتاب یادگیری عمیق با R، ویرایش دوم
مشخصات کتاب
Deep Learning with R, Second Edition
ویرایش: [2 ed.] نویسندگان: Francois Chollet, Tomasz Kalinowski, J. J. Allaire سری: ISBN (شابک) : 9781638350781, 9781633439849 ناشر: Manning Publications سال نشر: 2022 تعداد صفحات: زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 39 Mb
قیمت کتاب (تومان) : 46,000
در صورت تبدیل فایل کتاب Deep Learning with R, Second Edition 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 R، ویرایش دوم 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 با R، ویرایش دوم
یادگیری عمیق از پایه با استفاده از R و کتابخانه قدرتمند Keras! در Deep Learning با R، نسخه دوم، یاد خواهید گرفت: یادگیری عمیق از اصول اولیه طبقه بندی تصویر و تقسیم بندی تصویر پیش بینی سری های زمانی طبقه بندی متن و ترجمه ماشینی تولید متن، انتقال سبک عصبی، و تولید تصویر یادگیری عمیق با R، ویرایش دوم به شما نشان می دهد که چگونه برای عملی کردن یادگیری عمیق این بر اساس ویرایش جدید تجدید نظر شده پرفروش ترین آموزش عمیق با پایتون اثر فرانسوا شوله است. همه کدها و نمونه ها توسط توماس کالینوفسکی که بسته های Keras و Tensorflow R را در RStudio نگهداری می کند، به طور ماهرانه به زبان R ترجمه شده است. تازه کارها و متخصصان باتجربه ML بینش های متخصص، تکنیک های عملی و نظریه مهم برای ساخت شبکه های عصبی را دوست خواهند داشت. درباره فناوری یادگیری عمیق برای دانشمندان داده، محققان و توسعه دهندگان نرم افزار به دانش ضروری تبدیل شده است. API های زبان R برای Keras و TensorFlow یادگیری عمیق را در دسترس همه کاربران R قرار می دهد، حتی اگر آنها هیچ تجربه ای با یادگیری ماشین پیشرفته یا شبکه های عصبی نداشته باشند. این کتاب به شما نشان می‌دهد که چگونه می‌توانید کارهای اصلی DL مانند بینایی کامپیوتر، پردازش زبان طبیعی و موارد دیگر را با استفاده از R شروع کنید. درباره کتاب یادگیری عمیق با R، نسخه دوم راهنمای عملی برای یادگیری عمیق با استفاده از زبان R است. همانطور که در این کتاب حرکت می کنید، به سرعت در ایده های اساسی یادگیری عمیق قفل خواهید شد. توضیحات بصری، تصاویر واضح و مثال‌های واضح شما را از طریق مهارت‌های اصلی DL مانند پردازش تصویر و دستکاری متن و حتی ویژگی‌های پیشرفته مانند ترانسفورماتور راهنمایی می‌کنند. این ویرایش جدید اصلاح شده و توسعه یافته از آموزش عمیق با پایتون، ویرایش دوم توسط فرانسوا شولت، خالق کتابخانه کراس اقتباس شده است. طبقه‌بندی تصویر و تقسیم‌بندی تصویر پیش‌بینی سری‌های زمانی طبقه‌بندی متن و ترجمه ماشینی تولید متن، انتقال سبک عصبی، و تولید تصویر درباره خواننده برای خوانندگان با مهارت‌های R متوسط. هیچ تجربه قبلی با Keras، TensorFlow یا یادگیری عمیق مورد نیاز نیست. درباره نویسنده François Chollet یک مهندس نرم افزار در گوگل و خالق Keras است. Tomasz Kalinowski یک مهندس نرم افزار در RStudio و نگهدارنده بسته های Keras و Tensorflow R است. جی.جی. Allaire بنیانگذار RStudio و نویسنده اولین ویرایش این کتاب است. فهرست مطالب 1 یادگیری عمیق چیست؟ 2 بلوک های سازنده ریاضی شبکه های عصبی 3 مقدمه ای بر Keras و TensorFlow 4 شروع به کار با شبکه های عصبی: طبقه بندی و رگرسیون 5 مبانی یادگیری ماشین 6 گردش کار جهانی یادگیری ماشین 7 کار با Keras: یک شیرجه عمیق 8 مقدمه ای بر یادگیری عمیق برای کامپیوتر بینایی 9 یادگیری عمیق پیشرفته برای بینایی کامپیوتر 10 یادگیری عمیق برای سری های زمانی 11 یادگیری عمیق برای متن 12 یادگیری عمیق مولد 13 بهترین روش ها برای دنیای واقعی 14 نتیجه گیری
توضیحاتی درمورد کتاب به خارجی
Deep learning from the ground up using R and the powerful Keras library! In Deep Learning with R, Second Edition you will learn: Deep learning from first principles Image classification and image segmentation Time series forecasting Text classification and machine translation Text generation, neural style transfer, and image generation Deep Learning with R, Second Edition shows you how to put deep learning into action. It’s based on the revised new edition of François Chollet’s bestselling Deep Learning with Python. All code and examples have been expertly translated to the R language by Tomasz Kalinowski, who maintains the Keras and Tensorflow R packages at RStudio. Novices and experienced ML practitioners will love the expert insights, practical techniques, and important theory for building neural networks. About the technology Deep learning has become essential knowledge for data scientists, researchers, and software developers. The R language APIs for Keras and TensorFlow put deep learning within reach for all R users, even if they have no experience with advanced machine learning or neural networks. This book shows you how to get started on core DL tasks like computer vision, natural language processing, and more using R. About the book Deep Learning with R, Second Edition is a hands-on guide to deep learning using the R language. As you move through this book, you’ll quickly lock in the foundational ideas of deep learning. The intuitive explanations, crisp illustrations, and clear examples guide you through core DL skills like image processing and text manipulation, and even advanced features like transformers. This revised and expanded new edition is adapted from Deep Learning with Python, Second Edition by François Chollet, the creator of the Keras library. What's inside Image classification and image segmentation Time series forecasting Text classification and machine translation Text generation, neural style transfer, and image generation About the reader For readers with intermediate R skills. No previous experience with Keras, TensorFlow, or deep learning is required. About the author François Chollet is a software engineer at Google and creator of Keras. Tomasz Kalinowski is a software engineer at RStudio and maintainer of the Keras and Tensorflow R packages. J.J. Allaire is the founder of RStudio, and the author of the first edition of this book. Table of Contents 1 What is deep learning? 2 The mathematical building blocks of neural networks 3 Introduction to Keras and TensorFlow 4 Getting started with neural networks: Classification and regression 5 Fundamentals of machine learning 6 The universal workflow of machine learning 7 Working with Keras: A deep dive 8 Introduction to deep learning for computer vision 9 Advanced deep learning for computer vision 10 Deep learning for time series 11 Deep learning for text 12 Generative deep learning 13 Best practices for the real world 14 Conclusions
