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
دسته بندی: برنامه نویسی: زبان های برنامه نویسی ویرایش: نویسندگان: Abhijit Ghatak سری: ISBN (شابک) : 9811370893, 9789811370892 ناشر: Springer سال نشر: 2019 تعداد صفحات: 259 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 6 مگابایت
کلمات کلیدی مربوط به کتاب یادگیری عمیق با R: یادگیری عمیق، زبان R، شبکه های عصبی
در صورت تبدیل فایل کتاب Deep Learning with R 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 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.
Deep Learning with R، یادگیری عمیق و شبکه های عصبی را با استفاده از زبان برنامه نویسی R معرفی می کند. این کتاب مبتنی بر درک ساختارهای نظری و ریاضی است و خواننده را قادر میسازد تا برنامههای کاربردی در بینایی رایانه، پردازش زبان طبیعی و انتقال یادگیری ایجاد کند. کتاب با مقدمهای بر یادگیری ماشین شروع میشود و به توصیف معماری پایه، توابع مختلف فعالسازی، انتشار رو به جلو، از دست دادن آنتروپی متقابل و انتشار به عقب یک شبکه عصبی ساده میپردازد. در ادامه به ایجاد بخشهای کد مختلف برای ساخت شبکههای عصبی عمیق میپردازد. این به طور مفصل در مورد مقداردهی اولیه پارامترهای شبکه، تکنیک های بهینه سازی، و برخی از مسائل رایج پیرامون شبکه های عصبی مانند برخورد با NaN ها و مشکل گرادیان ناپدید شدن/انفجار بحث می کند. انواع پیشرفته پرسپترونهای چندلایه، یعنی شبکههای عصبی کانولوشن و مدلهای توالی توضیح داده شدهاند، و به دنبال آن کاربرد در موارد مختلف استفاده میشود. این کتاب به طور گسترده ای از چارچوب های Keras و TensorFlow استفاده می کند.
Deep Learning with R introduces deep learning and neural networks using the R programming language. The book builds on the understanding of the theoretical and mathematical constructs and enables the reader to create applications on computer vision, natural language processing and transfer learning. The book starts with an introduction to machine learning and moves on to describe the basic architecture, different activation functions, forward propagation, cross-entropy loss and backward propagation of a simple neural network. It goes on to create different code segments to construct deep neural networks. It discusses in detail the initialization of network parameters, optimization techniques, and some of the common issues surrounding neural networks such as dealing with NaNs and the vanishing/exploding gradient problem. Advanced variants of multilayered perceptrons namely, convolutional neural networks and sequence models are explained, followed by application to different use cases. The book makes extensive use of the Keras and TensorFlow frameworks.