Hands-On Deep Learning Architectures with Python: Create deep neural networks to solve computational problems using TensorFlow and Keras

مفاهیم، ​​ابزارها و تکنیک‌ها برای کشف معماری‌ها و روش‌های یادگیری عمیق

ویژگی‌های کلیدی

• کاوش معماری‌های یادگیری عمیق پیشرفته با استفاده از مجموعه داده‌های مختلف و چارچوب‌ها
• معماری‌های عمیق را برای مدل‌های شبکه عصبی مانند CNN، RNN، GAN و بسیاری دیگر پیاده‌سازی کنید
• الگوهای طراحی و چالش‌های مختلف را برای معماری‌های یادگیری عمیق مختلف کشف کنید
< /ul>

شرح کتاب

معماری های یادگیری عمیق از عملیات غیرخطی چند سطحی تشکیل شده اند که انتزاعات سطح بالا را نشان می دهند. این به شما امکان می دهد تا بازنمایی ویژگی های مفید را از داده ها یاد بگیرید. این کتاب به شما کمک می‌کند تا معماری‌های یادگیری عمیق را برای حل مشکلات مختلف تحقیقاتی یادگیری عمیق بیاموزید و پیاده‌سازی کنید.

Hands-On Deep Learning Architectures با پایتون، الگوریتم های یادگیری ضروری مورد استفاده برای معماری های عمیق و کم عمق را توضیح می دهد. این کتاب با پیاده سازی ها و ایده های عملی برای کمک به شما در ساخت سیستم های هوش مصنوعی کارآمد (AI)، به شما کمک می کند یاد بگیرید که چگونه شبکه های عصبی نقش مهمی در ساخت معماری های عمیق دارند. معماری های مختلف یادگیری عمیق (مانند AlexNet، VGG Net، GoogleNet) را با کدها و نمودارهایی که به راحتی قابل پیگیری هستند، درک خواهید کرد. علاوه بر این، این کتاب همچنین شما را در ساخت و آموزش معماری‌های عمیق مختلف مانند مکانیزم بولتزمن، رمزگذار خودکار، شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی مکرر (RNN)، پردازش زبان طبیعی (NLP)، GAN و بیشتر - همه با پیاده سازی های عملی.

در پایان این کتاب، می‌توانید مدل‌های عمیق را با استفاده از چارچوب‌ها و مجموعه‌های داده محبوب با الگوهای طراحی مورد نیاز برای هر معماری بسازید. شما برای کشف پتانسیل معماری های عمیق در دنیای امروز آماده خواهید بود.

آنچه یاد خواهید گرفت

• CNN، RNN و دیگر معماری های رایج مورد استفاده را با پایتون پیاده سازی کنید </ li>
• کاوش معماری هایی مانند VGGNet، AlexNet، و GoogLeNet
• ساخت معماری های یادگیری عمیق برای برنامه های هوش مصنوعی مانند تشخیص چهره و تصویر، تشخیص تقلب و بسیاری موارد دیگر
• درک معماری ها و کاربردهای ماشین ها و رمزگذارهای خودکار بولتزمن با مثال های عینی
• مفاهیم هوش مصنوعی و شبکه های عصبی را مسلط کنید و آنها را در معماری خود به کار ببرید
• معماری های یادگیری عمیق را برای سیستم های موبایل و جاسازی شده درک کنید
li>

این کتاب برای چه کسی است

اگر دانشمند داده، توسعه‌دهنده/مهندس یادگیری ماشین، یا متخصص یادگیری عمیق هستید، یا در مورد هوش مصنوعی کنجکاو هستید و می‌خواهید خود را ارتقا دهید. با دانش معماری های مختلف یادگیری عمیق، این کتاب برای شما جذاب خواهد بود. از شما انتظار می رود که اطلاعاتی در مورد آمار و الگوریتم های یادگیری ماشین داشته باشید تا از این کتاب بهترین بهره را ببرید

فهرست مطالب

1. شروع با یادگیری عمیق
2. شبکه‌های پیشخور عمیق
3. ماشین‌ها و رمزگذارهای خودکار بولتزمن محدود
4. معماری CNN
5. شبکه‌های عصبی موبایل و CNN
6. شبکه‌های عصبی تکراری< /li>
7. شبکه های متخاصم مولد
8. روندهای جدید یادگیری عمیق

Concepts, tools, and techniques to explore deep learning architectures and methodologies

Key Features

• Explore advanced deep learning architectures using various datasets and frameworks
• Implement deep architectures for neural network models such as CNN, RNN, GAN, and many more
• Discover design patterns and different challenges for various deep learning architectures

Book Description

Deep learning architectures are composed of multilevel nonlinear operations that represent high-level abstractions; this allows you to learn useful feature representations from the data. This book will help you learn and implement deep learning architectures to resolve various deep learning research problems.

Hands-On Deep Learning Architectures with Python explains the essential learning algorithms used for deep and shallow architectures. Packed with practical implementations and ideas to help you build efficient artificial intelligence systems (AI), this book will help you learn how neural networks play a major role in building deep architectures. You will understand various deep learning architectures (such as AlexNet, VGG Net, GoogleNet) with easy-to-follow code and diagrams. In addition to this, the book will also guide you in building and training various deep architectures such as the Boltzmann mechanism, autoencoders, convolutional neural networks (CNNs), recurrent neural networks (RNNs), natural language processing (NLP), GAN, and more―all with practical implementations.

By the end of this book, you will be able to construct deep models using popular frameworks and datasets with the required design patterns for each architecture. You will be ready to explore the potential of deep architectures in today's world.

What you will learn

• Implement CNNs, RNNs, and other commonly used architectures with Python
• Explore architectures such as VGGNet, AlexNet, and GoogLeNet
• Build deep learning architectures for AI applications such as face and image recognition, fraud detection, and many more
• Understand the architectures and applications of Boltzmann machines and autoencoders with concrete examples
• Master artificial intelligence and neural network concepts and apply them to your architecture
• Understand deep learning architectures for mobile and embedded systems

Who this book is for

If you're a data scientist, machine learning developer/engineer, or deep learning practitioner, or are curious about AI and want to upgrade your knowledge of various deep learning architectures, this book will appeal to you. You are expected to have some knowledge of statistics and machine learning algorithms to get the best out of this book

Table of Contents

1. Getting Started with Deep Learning
2. Deep Feedforward Networks
3. Restricted Boltzmann Machines and Autoencoders
4. CNN Architecture
5. Mobile Neural Networks and CNNs
6. Recurrent Neural Networks
7. Generative Adversarial Networks
8. New Trends of Deep Learning