دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning with R for Beginners
دانلود کتاب یادگیری عمیق با R برای مبتدیان
مشخصات کتاب
Deep Learning with R for Beginners
ویرایش: 1st edition نویسندگان: Hodnett. Mark, Liu. Yuxi, Maldonado. Pablo, Wiley. Joshua سری: ISBN (شابک) : 9781838642709, 0165794402 ناشر: Packt Publishing سال نشر: 2019 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 18 مگابایت
قیمت کتاب (تومان) : 40,000
کلمات کلیدی مربوط به کتاب یادگیری عمیق با R برای مبتدیان: کتاب های الکترونیکی، محلی، کتاب های الکترونیکی، محلی
در صورت تبدیل فایل کتاب Deep Learning with R for Beginners 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 برای مبتدیان 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 برای مبتدیان
با ساختن مدل‌های یادگیری عمیق قدرتمند با استفاده از اکوسیستم R، دنیای شبکه‌های عصبی را کاوش کنید. سیستم‌های یادگیری عمیق موثر در R با کمک پروژه‌های پایان به پایان شرح کتاب یادگیری عمیق طیف وسیعی از کاربردهای عملی در چندین حوزه دارد، در حالی که R زبان ترجیحی برای طراحی و استقرار مدل‌های یادگیری عمیق است. این مسیر یادگیری شما را با اصول یادگیری عمیق آشنا می کند و حتی به شما می آموزد که از ابتدا یک مدل شبکه عصبی بسازید. همانطور که راه خود را از طریق فصل ها طی می کنید، کتابخانه های یادگیری عمیق را کشف خواهید کرد و نحوه ایجاد مدل های یادگیری عمیق را برای انواع چالش ها، درست از تشخیص ناهنجاری گرفته تا سیستم های توصیه، درک خواهید کرد. سپس مسیر یادگیری به شما کمک می‌کند تا موضوعات پیشرفته‌ای مانند شبکه‌های متخاصم مولد (GAN)، یادگیری انتقالی، و یادگیری عمیق در مقیاس بزرگ در فضای ابری، علاوه بر بهینه‌سازی مدل، بیش‌برازش و افزایش داده‌ها را پوشش دهید. از طریق پروژه‌های دنیای واقعی، با آموزش شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی مکرر (RNN) و شبکه‌های حافظه کوتاه‌مدت (LSTM) در R. در پایان این مسیر یادگیری به سرعت خواهید رسید. ، شما با یادگیری عمیق به خوبی آشنا خواهید شد و مهارت های لازم برای پیاده سازی تعدادی از مفاهیم یادگیری عمیق را در کار یا پروژه های تحقیقاتی خود خواهید داشت. آنچه خواهید آموخت پیاده سازی تشخیص تقلب کارت اعتباری با رمزگذارهای خودکار آموزش شبکه های عصبی برای انجام تشخیص رقم دست نویس با استفاده از MXNet بازسازی تصاویر با استفاده از رمزگذارهای خودکار متغیر کاربردهای شبکه های عصبی رمزگذار خودکار در خوشه بندی و کاهش ابعاد ایجاد مدل های پردازش زبان طبیعی (NLP) با استفاده از Keras و TensorF در R جلوگیری از تطبیق بیش از حد داده‌ها توسط مدل‌ها برای بهبود تعمیم‌پذیری ایجاد مدل‌های پیش‌بینی شبکه‌های عصبی کم عمق این کتاب برای چه کسی است. و به دنبال کشف پارادایم یادگیری عمیق با استفاده از R هستند. درک اساسی از برنامه نویسی R و آشنایی با مفاهیم اساسی یادگیری عمیق برای استفاده حداکثری از این مسیر یادگیری ضروری است.
توضیحاتی درمورد کتاب به خارجی
Explore the world of neural networks by building powerful deep learning models using the R ecosystem Key Features Get to grips with the fundamentals of deep learning and neural networks Use R 3.5 and its libraries and APIs to build deep learning models for computer vision and text processing Implement effective deep learning systems in R with the help of end-to-end projects Book Description Deep learning has a range of practical applications in several domains, while R is the preferred language for designing and deploying deep learning models. This Learning Path introduces you to the basics of deep learning and even teaches you to build a neural network model from scratch. As you make your way through the chapters, you'll explore deep learning libraries and understand how to create deep learning models for a variety of challenges, right from anomaly detection to recommendation systems. The Learning Path will then help you cover advanced topics, such as generative adversarial networks (GANs), transfer learning, and large-scale deep learning in the cloud, in addition to model optimization, overfitting, and data augmentation. Through real-world projects, you'll also get up to speed with training convolutional neural networks (CNNs), recurrent neural networks (RNNs), and long short-term memory networks (LSTMs) in R. By the end of this Learning Path, you'll be well-versed with deep learning and have the skills you need to implement a number of deep learning concepts in your research work or projects. What you will learn Implement credit card fraud detection with autoencoders Train neural networks to perform handwritten digit recognition using MXNet Reconstruct images using variational autoencoders Explore the applications of autoencoder neural networks in clustering and dimensionality reduction Create natural language processing (NLP) models using Keras and TensorFlow in R Prevent models from overfitting the data to improve generalizability Build shallow neural network prediction models Who this book is for This Learning Path is for aspiring data scientists, data analysts, machine learning developers, and deep learning enthusiasts who are well versed in machine learning concepts and are looking to explore the deep learning paradigm using R. A fundamental understanding of R programming and familiarity with the basic concepts of deep learning are necessary to get the most out of this Learning Path.
