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: Yanan Sun, Gary G. Yen, Mengjie Zhang سری: Studies in Computational Intelligence, 1070 ISBN (شابک) : 3031168674, 9783031168673 ناشر: Springer سال نشر: 2022 تعداد صفحات: 334 [335] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Evolutionary Deep Neural Architecture Search: Fundamentals, Methods, and Recent Advances 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 جستجوی معماری عصبی عمیق تکاملی: مبانی، روشها و پیشرفتهای اخیر 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.
این کتاب به طور سیستماتیک مبانی، روشها و پیشرفتهای اخیر جستجوی معماری عصبی عمیق تکاملی را فصل به فصل روایت میکند. این به خوانندگان هدف با جزئیات کافی از ابتدا آموزش می دهد. به طور خاص، بخشهای روش به جستجوی معماری شبکههای عصبی عمیق بدون نظارت و نظارت اختصاص داده شدهاند. افرادی که مایل به استفاده از شبکه های عصبی عمیق هستند اما تخصص محدودی در طراحی دستی معماری های عمیق بهینه ندارند، مخاطبان اصلی خواهند بود. این ممکن است شامل محققانی باشد که بر روی توسعه روشهای جدید جستجوی معماری عمیق تکاملی برای کارهای کلی تمرکز میکنند، دانشجویانی که مایلند دانش مربوط به جستجوی معماری عصبی عمیق تکاملی را مطالعه کنند و تحقیقات مرتبط را در آینده انجام دهند، و متخصصان در زمینههای بینایی کامپیوتر، پردازش زبان طبیعی، و سایر مواردی که شبکههای عصبی عمیق با موفقیت و تا حد زیادی در زمینههای مربوطه مورد استفاده قرار گرفتهاند.
This book systematically narrates the fundamentals, methods, and recent advances of evolutionary deep neural architecture search chapter by chapter. This will provide the target readers with sufficient details learning from scratch. In particular, the method parts are devoted to the architecture search of unsupervised and supervised deep neural networks. The people, who would like to use deep neural networks but have no/limited expertise in manually designing the optimal deep architectures, will be the main audience. This may include the researchers who focus on developing novel evolutionary deep architecture search methods for general tasks, the students who would like to study the knowledge related to evolutionary deep neural architecture search and perform related research in the future, and the practitioners from the fields of computer vision, natural language processing, and others where the deep neural networks have been successfully and largely used in their respective fields.