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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Valentina Emilia Balas, Sanjiban Sekhar Roy, Dharmendra Sharma, Pijush Samui سری: Smart Innovation, Systems and Technologies ISBN (شابک) : 3030114783, 9783030114787 ناشر: Springer سال نشر: 2019 تعداد صفحات: 380 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Handbook of Deep Learning Applications 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 راهنمای برنامه های کاربردی یادگیری عمیق 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 طیف وسیعی از کاربردهای یادگیری عمیق مربوط به بینایی، پردازش زبان طبیعی، بیان ژن، تشخیص شی دلخواه، ماشینهای بدون راننده، تقسیمبندی تصویر معنایی، انتزاع بصری عمیق، رابطهای مغز و کامپیوتر، پردازش دادههای بزرگ، یادگیری عمیق سلسله مراتبی را ارائه میکند. شبکه ها به عنوان مصنوعات بازی با استفاده از تطبیق پشیمانی و ساخت چارچوب های یادگیری عمیق با شتاب GPU. یادگیری عمیق، سطح پیشرفتهای از تکنیک یادگیری ماشین که کلاسی از الگوریتمهای یادگیری را با استفاده از بسیاری از لایههای واحدهای غیرخطی ترکیب میکند، در زمانهای اخیر توجه قابل توجهی را به خود جلب کرده است. برخلاف سایر کتابهای موجود در بازار، این جلد به چالشهای پیادهسازی یادگیری عمیق، زمان محاسبه، و پیچیدگی استدلال و مدلسازی انواع مختلف دادهها میپردازد. به این ترتیب، این یک منبع ارزشمند و جامع برای مهندسان، محققان، دانشجویان تحصیلات تکمیلی و دکتری است. عالمان.
This book presents a broad range of deep-learning applications related to vision, natural language processing, gene expression, arbitrary object recognition, driverless cars, semantic image segmentation, deep visual residual abstraction, brain–computer interfaces, big data processing, hierarchical deep learning networks as game-playing artefacts using regret matching, and building GPU-accelerated deep learning frameworks. Deep learning, an advanced level of machine learning technique that combines class of learning algorithms with the use of many layers of nonlinear units, has gained considerable attention in recent times. Unlike other books on the market, this volume addresses the challenges of deep learning implementation, computation time, and the complexity of reasoning and modeling different type of data. As such, it is a valuable and comprehensive resource for engineers, researchers, graduate students and Ph.D. scholars.