دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Hands-On Deep Learning Algorithms with Python
دانلود کتاب الگوریتم های یادگیری عمیق عملی با پایتون
مشخصات کتاب
Hands-On Deep Learning Algorithms with Python
ویرایش: 1st edition
نویسندگان: Ravichandiran. Sudharsan
سری:
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: 71 مگابایت
قیمت کتاب (تومان) : 48,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب الگوریتم های یادگیری عمیق عملی با پایتون: کتاب های الکترونیکی، محلی، کتاب های الکترونیکی، محلی
در صورت تبدیل فایل کتاب Hands-On Deep Learning Algorithms with Python 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 الگوریتم های یادگیری عمیق عملی با پایتون 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 الگوریتم های یادگیری عمیق عملی با پایتون
درک الگوریتم‌های یادگیری عمیق پایه تا پیشرفته، اصول ریاضی پشت آنها و کاربردهای عملی آنها ویژگی‌های کلیدی با ساخت شبکه‌های عصبی خود از ابتدا به سرعت برسید. بینش‌هایی در مورد اصول ریاضی در پشت الگوریتم‌های یادگیری عمیق به دست آورید. الگوریتم‌های یادگیری عمیق محبوب را پیاده‌سازی کنید. به عنوان CNN، RNN، و موارد دیگر با استفاده از کتاب TensorFlow توضیحات کتاب یادگیری عمیق یکی از محبوب ترین حوزه ها در فضای هوش مصنوعی است که به شما امکان می دهد مدل های چند لایه با پیچیدگی های مختلف را توسعه دهید. این کتاب شما را با الگوریتم های یادگیری عمیق محبوب - از ابتدایی تا پیشرفته - آشنا می کند و به شما نشان می دهد که چگونه آنها را از ابتدا با استفاده از TensorFlow پیاده سازی کنید. در طول کتاب، بینش هایی در مورد هر الگوریتم، اصول ریاضی درگیر، و نحوه اجرای آن به بهترین شکل ممکن به دست خواهید آورد. این کتاب با توضیح اینکه چگونه می‌توانید شبکه‌های عصبی خود را بسازید شروع می‌شود، سپس با TensorFlow، کتابخانه قدرتمند مبتنی بر پایتون برای یادگیری ماشین و یادگیری عمیق آشنا می‌شوید. با حرکت به جلو، با انواع شیب نزول، مانند NAG، AMSGrad، AdaDelta، Adam و Nadam به سرعت خواهید رسید. سپس این کتاب بینش هایی در مورد شبکه های عصبی مکرر (RNN) و LSTM و نحوه تولید اشعار آهنگ با RNN در اختیار شما قرار می دهد. در مرحله بعد، به ریاضیات لازم برای کار با شبکه های کانولوشن و کپسولی که به طور گسترده برای کارهای تشخیص تصویر استفاده می شود، تسلط خواهید داشت. شما همچنین خواهید آموخت که چگونه ماشین ها معنای کلمات و اسناد را با استفاده از CBOW، skip-gram و PV-DM درک می کنند. در نهایت، GAN ها، از جمله InfoGAN و LSGAN، و رمزگذارهای خودکار، مانند رمزگذارهای خودکار انقباضی و VAE را بررسی خواهید کرد. در پایان این کتاب، شما به تمام مهارت هایی که برای پیاده سازی یادگیری عمیق در پروژه های خود نیاز دارید، مجهز خواهید شد. آنچه خواهید آموخت پیاده سازی الگوریتم های یادگیری عمیق پایه تا پیشرفته تسلط بر ریاضیات پشت الگوریتم های یادگیری عمیق با گرادیان نزول و انواع آن مانند AMSGrad، AdaDelta، Adam و Nadam آشنا شوید پیاده سازی شبکه های تکراری، مانند RNN، LSTM، GRU. و مدل‌های seq2seq درک اینکه چگونه ماشین‌ها تصاویر را با استفاده از شبکه‌های CNN و کپسول تفسیر می‌کنند، انواع مختلفی از شبکه‌های متخاصم مولد مانند CGAN، CycleGAN و StackGAN را کاوش کنید. برای اگر شما یک مهندس یادگیری ماشین، دانشمند داده، توسعه‌دهنده هوش مصنوعی یا هر کسی هستید که به دنبال کاوش در شبکه‌های عصبی و یادگیری عمیق است، ...
توضیحاتی درمورد کتاب به خارجی
Understand basic-to-advanced deep learning algorithms, the mathematical principles behind them, and their practical applications Key Features Get up to speed with building your own neural networks from scratch Gain insights into the mathematical principles behind deep learning algorithms Implement popular deep learning algorithms such as CNNs, RNNs, and more using TensorFlow Book Description Deep learning is one of the most popular domains in the AI space that allows you to develop multi-layered models of varying complexities. This book introduces you to popular deep learning algorithms-from basic to advanced-and shows you how to implement them from scratch using TensorFlow. Throughout the book, you will gain insights into each algorithm, the mathematical principles involved, and how to implement it in the best possible manner. The book starts by explaining how you can build your own neural networks, followed by introducing you to TensorFlow, the powerful Python-based library for machine learning and deep learning. Moving on, you will get up to speed with gradient descent variants, such as NAG, AMSGrad, AdaDelta, Adam, and Nadam. The book will then provide you with insights into recurrent neural networks (RNNs) and LSTM and how to generate song lyrics with RNN. Next, you will master the math necessary to work with convolutional and capsule networks, widely used for image recognition tasks. You will also learn how machines understand the semantics of words and documents using CBOW, skip-gram, and PV-DM. Finally, you will explore GANs, including InfoGAN and LSGAN, and autoencoders, such as contractive autoencoders and VAE. By the end of this book, you will be equipped with all the skills you need to implement deep learning in your own projects. What you will learn Implement basic-to-advanced deep learning algorithms Master the mathematics behind deep learning algorithms Become familiar with gradient descent and its variants, such as AMSGrad, AdaDelta, Adam, and Nadam Implement recurrent networks, such as RNN, LSTM, GRU, and seq2seq models Understand how machines interpret images using CNN and capsule networks Implement different types of generative adversarial network, such as CGAN, CycleGAN, and StackGAN Explore various types of autoencoder, such as Sparse autoencoders, DAE, CAE, and VAE Who this book is for If you are a machine learning engineer, data scientist, AI developer, or anyone looking to delve into neural networks and deep learning, t...
