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: Mark Hodnett
سری:
ISBN (شابک) : 9781838647223
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
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.
با ساختن مدلهای یادگیری عمیق قدرتمند با استفاده از اکوسیستم R، دنیای شبکههای عصبی را کاوش کنید. سیستمها در R با کمک پروژههای انتها به انتها شرح کتاب یادگیری عمیق کاربردهای عملی در چندین حوزه پیدا میکند، 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 یک مدل شبکه عصبی را از ابتدا بسازید. همانطور که در فصلها پیش میروید، کتابخانههای یادگیری عمیق را کاوش میکنید و نحوه ایجاد مدلهای یادگیری عمیق را برای انواع چالشها، درست از تشخیص ناهنجاری گرفته تا سیستمهای توصیه، درک خواهید کرد. سپس این کتاب 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، برازش بیشازحد، 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 به خوبی با یادگیری عمیق 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. این مسیر یادگیری شامل محتوایی از محصولات بسته زیر است: R Deep Learning Essentials - ویرایش دوم توسط Joshua F. Wiley و Mark HodnettR پروژه های یادگیری عمیق توسط Yuxi (Hayden) Liu و Pablo Maldonado آنچه خواهید آموخت پیاده سازی تشخیص تقلب در کارت اعتباری با رمزگذارهای خودکار آموزش شبکه های عصبی به تشخیص رقم دستنویس با استفاده از تصاویر MXNetReconstruct با استفاده از رمزگذارهای خودکار متغیر کاوش در برنامههای شبکههای عصبی رمزگذار خودکار در خوشهبندی و کاهش ابعاد ایجاد مدلهای پردازش زبان طبیعی (NLP) با استفاده از Keras و TensorFlow در مدلهای RP جلوگیری از برازش بیش از حد دادهها برای بهبود تعمیمپذیری شبکهای. برای این مسیر یادگیری برای دانشمندان مشتاق داده، تحلیلگران داده، توسعه دهندگان یادگیری ماشین و علاقه مندان به یادگیری عمیق است که به خوبی در مفاهیم یادگیری ماشین مسلط هستند 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.
Explore the world of neural networks by building powerful deep learning models using the R ecosystem Key FeaturesGet to grips with the fundamentals of deep learning and neural networksUse R 3.5 and its libraries and APIs to build deep learning models for computer vision and text processingImplement effective deep learning systems in R with the help of end-to-end projectsBook Description Deep learning finds 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 book 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. This Learning Path includes content from the following Packt products: R Deep Learning Essentials - Second Edition by Joshua F. Wiley and Mark HodnettR Deep Learning Projects by Yuxi (Hayden) Liu and Pablo MaldonadoWhat you will learnImplement credit card fraud detection with autoencodersTrain neural networks to perform handwritten digit recognition using MXNetReconstruct images using variational autoencodersExplore the applications of autoencoder neural networks in clustering and dimensionality reductionCreate natural language processing (NLP) models using Keras and TensorFlow in RPrevent models from overfitting the data to improve generalizabilityBuild shallow neural network prediction modelsWho 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.