Essentials of Deep Learning and AI: Experience Unsupervised Learning, Autoencoders, Feature Engineering, and Time Series Analysis with TensorFlow, Keras, and scikit-learn (English Edition)

ویرایش:  
نویسندگان: Shashidhar Soppin,  Dr. Manjunath Ramachandra,  B N Chandrashekar  
سری:  
ISBN (شابک) : 9391030351, 9789391030353 
ناشر: BPB Publications 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : RAR (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 مگابایت 

قیمت کتاب (تومان) : 28,000



با جدیدترین تکنیک‌ها و روش‌های طراحی در زمینه‌های هوش مصنوعی و یادگیری عمیق، مسیر نسل بعدی را پیش می‌برد

< span>ویژگی های کلیدی

● مثال های گسترده ای از اصول یادگیری ماشین و یادگیری عمیق.

● شامل نمایش‌های گرافیکی و آموزش‌های تصویری برای کتابخانه‌ها، پیکربندی‌ها و تنظیمات مختلف است.

● موارد استفاده متعدد با قطعه‌ها و نمونه‌های کد عبارتند از ارائه شده است.

توضیحات

< p>«مبانی یادگیری عمیق و هوش مصنوعی» دانش ضروری کار بر روی تکنیک‌های شبکه عصبی عمیق و مفاهیم پیشرفته یادگیری ماشین را مدیریت می‌کند. این کتاب برای کسانی است که می‌خواهند درباره نحوه عملکرد شبکه‌های عصبی عمیق و اصول یادگیری ماشینی پیشرفته از جمله نمونه‌های واقعی بیشتر بدانند.

این کتاب شامل قطعات کد و دستورالعمل های گام به گام نحوه استفاده از آنها را پیاده سازی کرد. از نحوه استفاده از SciKit-Learn، Keras و TensorFlow در برنامه های کاربردی هوش مصنوعی برای سرعت بخشیدن به فرآیند یادگیری و ایجاد نتایج برتر شگفت زده خواهید شد. با کمک مثال های دقیق و الگوهای کد، اسکریپت های خود را در کمترین زمان اجرا خواهید کرد. هنگام کار در یک محیط هوش مصنوعی، ساختن مدل‌ها و بهینه‌سازی عملکرد را تمرین خواهید کرد.

خوانندگان می‌توانند با اطمینان و سهولت شروع به نوشتن برنامه‌های خود کنند. متخصصان و تازه واردان به طور یکسان به متدولوژی های پیشرفته دسترسی خواهند داشت. برای خواندن راحت‌تر، توضیحات مفهومی به‌طور مستقیم و با تمام حقایق مرتبط ارائه می‌شوند.

آنچه خواهید آموخت

● مهندسی ویژگی را با استفاده از انواع رمزگذارهای خودکار، CNN و LSTM بیاموزید.

● با مثال‌های روشن‌تر، مدل‌های سری‌های زمانی، Computer Vision و NLP را کاوش کنید.

● با سناریوهای مختلف به عملکردهای فعال‌سازی و از دست دادن عمیق‌تر بروید.< br>

● تجربه یادگیری عمیق و هوش مصنوعی را در سراسر اینترنت اشیا، مخابرات، و مراقبت های بهداشتی دریافت کنید.

● پایه ای قوی پیرامون اصول و مفاهیم کلیدی AI، ML و Deep Learning بسازید.

این کتاب کیست. برای

این کتاب مهندسین یادگیری ماشین، دانشمندان داده، مهندسان داده، تحلیلگران هوش تجاری، و توسعه دهندگان نرم افزاری را که مایل به کسب درک قوی از اصول یادگیری عمیق و هوش مصنوعی. خوانندگان باید در مورد مفاهیم برنامه نویسی کامپیوتر اطلاعات کافی داشته باشند.

فهرست محتوا< br>

1. مقدمه

2. یادگیری ماشین تحت نظارت

3. تجزیه و تحلیل سیستم با یادگیری ماشین/یادگیری بدون نظارت

4. مهندسی ویژگی

5. طبقه بندی، خوشه بندی، قوانین انجمن و رگرسیون

6. تجزیه و تحلیل سری زمانی

7. پاکسازی داده ها، ویژگی ها و انتخاب ویژگی

8. توسعه مدل گروه

9. طراحی با یادگیری عمیق

10. طراحی با پرسپترون چند لایه (MLP)

11. شبکه های حافظه کوتاه مدت طولانی

12. رمزگذارهای خودکار

13. کاربردهای یادگیری ماشینی و یادگیری عمیق

14. فناوری های نوظهور و آینده.

Drives next generation path with latest design techniques and methods in the fields of AI and Deep Learning

Key Features

● Extensive examples of Machine Learning and Deep Learning principles.

● Includes graphical demonstrations and visual tutorials for various libraries, configurations, and settings.

● Numerous use cases with the code snippets and examples are presented.

Description

'Essentials of Deep Learning and AI' curates the essential knowledge of working on deep neural network techniques and advanced machine learning concepts. This book is for those who want to know more about how deep neural networks work and advanced machine learning principles including real-world examples.

This book includes implemented code snippets and step-by-step instructions for how to use them. You'll be amazed at how SciKit-Learn, Keras, and TensorFlow are used in AI applications to speed up the learning process and produce superior results. With the help of detailed examples and code templates, you'll be running your scripts in no time. You will practice constructing models and optimise performance while working in an AI environment.

Readers will be able to start writing their programmes with confidence and ease. Experts and newcomers alike will have access to advanced methodologies. For easier reading, concept explanations are presented straightforwardly, with all relevant facts included.

What you will learn

● Learn feature engineering using a variety of autoencoders, CNNs, and LSTMs.

● Get to explore Time Series, Computer Vision and NLP models with insightful examples.

● Dive deeper into Activation and Loss functions with various scenarios.

● Get the experience of Deep Learning and AI across IoT, Telecom, and Health Care.

● Build a strong foundation around AI, ML and Deep Learning principles and key concepts.

Who this book is for

This book targets Machine Learning Engineers, Data Scientists, Data Engineers, Business Intelligence Analysts, and Software Developers who wish to gain a firm grasp on the fundamentals of Deep Learning and Artificial Intelligence. Readers should have a working knowledge of computer programming concepts.

Table of Contents

1. Introduction

2. Supervised Machine Learning

3. System Analysis with Machine Learning/Un-Supervised Learning

4. Feature Engineering

5. Classification, Clustering, Association Rules, and Regression

6. Time Series Analysis

7. Data Cleanup, Characteristics and Feature Selection

8. Ensemble Model Development

9. Design with Deep Learning

10. Design with Multi Layered Perceptron (MLP)

11. Long Short Term Memory Networks

12. Autoencoders

13. Applications of Machine Learning and Deep Learning

14. Emerging and Future Technologies.