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: Swarna Gupta, Rehan Ali Ansari, Dipayan Sarkar سری: ISBN (شابک) : 9781789808278, 1789808278 ناشر: Packt Publishing Ltd سال نشر: 2020 تعداد صفحات: 328 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 15 Mb
در صورت تبدیل فایل کتاب Deep Learning with R Cookbook: Over 45 unique recipes to delve into neural network techniques using R 3.5.x 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 Cookbook: بیش از 45 دستور العمل منحصر به فرد برای بررسی تکنیک های شبکه عصبی با استفاده از R 3.5.x 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.
مقابله با چالشهای پیچیدهای که هنگام ساخت مدلهای یادگیری عمیق سرتاسر با استفاده از کتابخانههای R مدرن با آنها مواجه میشوید، ویژگیهای کلیدی درک پیچیدگیهای بستههای یادگیری عمیق R برای انجام طیف وسیعی از وظایف یادگیری عمیق پیادهسازی تکنیکها و الگوریتمهای یادگیری عمیق برای موارد استفاده در دنیای واقعی کاوش تکنیکهای مختلف پیشرفته برای تنظیم دقیق مدلهای شبکه عصبی شرح کتاب یادگیری عمیق (DL) در سالهای اخیر با پیشرفتهایی مانند شبکههای متخاصم (GANs)، رمزگذارهای خودکار متغیر (VAE) و یادگیری تقویتی عمیق تکامل یافته است. این کتاب شما را با R 3.5.x راه اندازی می کند تا به شما در پیاده سازی تکنیک های DL کمک کند. کتاب با تکنیک های مختلف DL که می توانید در برنامه های خود پیاده سازی کنید شروع می شود. مجموعه ای منحصر به فرد از دستور العمل ها به شما کمک می کند تا مسائل طبقه بندی دو جمله ای و چند جمله ای را حل کنید و بهینه سازی رگرسیون و هایپرپارامتر را انجام دهید. برای کمک به شما در به دست آوردن تجربه عملی از مفاهیم، این کتاب دستور العمل هایی برای پیاده سازی شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی مکرر (RNN) و شبکه های حافظه کوتاه مدت (LSTMs) و همچنین توالی به دنباله دارد. مدل ها و یادگیری تقویتی سپس در مورد محاسبات با کارایی بالا با استفاده از GPUها، همراه با یادگیری در مورد قابلیتهای محاسبات موازی در R، خواهید آموخت. . در نهایت، قبل از درک نحوه استفاده از مدلهای از پیش آموزشدیدهشده در برنامههای DL، نحوه حل مشکلات مختلف در NLP، تشخیص اشیا و شناسایی عملکرد را خواهید فهمید. در پایان این کتاب، دانش جامعی از بستههای DL و DL خواهید داشت و میتوانید راهحلهای موثری برای مشکلات مختلف DL ایجاد کنید. آنچه یاد خواهید گرفت کار با مجموعه داده های مختلف برای طبقه بندی تصویر با استفاده از CNN استفاده از یادگیری انتقال برای حل مشکلات بینایی کامپیوتری پیچیده استفاده از RNN و انواع آنها مانند LSTM و واحدهای بازگشتی دروازه ای (GRU) برای تولید و طبقه بندی داده های توالی پیاده سازی رمزگذارهای خودکار برای وظایف DL مانند کاهش ابعاد، حذف نویز و رنگآمیزی تصویر ساخت مدلهای مولد عمیق برای ایجاد تصاویر واقعی واقعی با استفاده از GAN و VAE از MXNet برای تسریع آموزش مدلهای DL از طریق محاسبات توزیعشده استفاده کنید این کتاب برای چه کسی است. محققان یادگیری عمیق و علاقه مندان به هوش مصنوعی که می خواهند وظایف کلیدی در حوزه های یادگیری عمیق را با استفاده از رویکرد مبتنی بر دستور العمل یاد بگیرند. درک قوی از یادگیری ماشین و دانش کاری زبان برنامه نویسی R الزامی است.
Tackle the complex challenges faced while building end-to-end deep learning models using modern R libraries Key Features Understand the intricacies of R deep learning packages to perform a range of deep learning tasks Implement deep learning techniques and algorithms for real-world use cases Explore various state-of-the-art techniques for fine-tuning neural network models Book Description Deep learning (DL) has evolved in recent years with developments such as generative adversarial networks (GANs), variational autoencoders (VAEs), and deep reinforcement learning. This book will get you up and running with R 3.5.x to help you implement DL techniques. The book starts with the various DL techniques that you can implement in your apps. A unique set of recipes will help you solve binomial and multinomial classification problems, and perform regression and hyperparameter optimization. To help you gain hands-on experience of concepts, the book features recipes for implementing convolutional neural networks (CNNs), recurrent neural networks (RNNs), and Long short-term memory (LSTMs) networks, as well as sequence-to-sequence models and reinforcement learning. You’ll then learn about high-performance computation using GPUs, along with learning about parallel computation capabilities in R. Later, you’ll explore libraries, such as MXNet, that are designed for GPU computing and state-of-the-art DL. Finally, you’ll discover how to solve different problems in NLP, object detection, and action identification, before understanding how to use pre-trained models in DL apps. By the end of this book, you’ll have comprehensive knowledge of DL and DL packages, and be able to develop effective solutions for different DL problems. What you will learn Work with different datasets for image classification using CNNs Apply transfer learning to solve complex computer vision problems Use RNNs and their variants such as LSTMs and Gated Recurrent Units (GRUs) for sequence data generation and classification Implement autoencoders for DL tasks such as dimensionality reduction, denoising, and image colorization Build deep generative models to create photorealistic images using GANs and VAEs Use MXNet to accelerate the training of DL models through distributed computing Who this book is for This deep learning book is for data scientists, machine learning practitioners, deep learning researchers and AI enthusiasts who want to learn key tasks in deep learning domains using a recipe-based approach. A strong understanding of machine learning and working knowledge of the R programming language is mandatory.