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: Michael Pawlus. Rodger Devine
سری:
ISBN (شابک) : 1788996836, 9781788996839
ناشر: Packt Publishing
سال نشر: 2020
تعداد صفحات: 0
زبان: English
فرمت فایل : ZIP (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 مگابایت
در صورت تبدیل فایل کتاب Hands-On Deep Learning with R: A practical guide to designing, building, and improving neural network models using R. Code 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 آموزش عمیق عملی با R: راهنمای عملی برای طراحی، ساخت و بهبود مدلهای شبکه عصبی با استفاده از کد R. 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.
کاوش و پیاده سازی یادگیری عمیق برای حل مسائل مختلف دنیای واقعی با استفاده از کتابخانه های مدرن R مانند TensorFlow، MXNet، H2O و Deepnet
یادگیری عمیق، یادگیری کارآمد و دقیق را از یک حوزه عظیم امکانپذیر میسازد. مقدار داده این کتاب به شما کمک می کند تا با استفاده از الگوریتم ها و معماری های مختلف یادگیری عمیق با برنامه نویسی R بر تعدادی از چالش ها غلبه کنید.
این کتاب با مروری کوتاه بر یادگیری ماشینی و یادگیری عمیق و نحوه ساخت اولین شبکه عصبی شروع می شود. شما معماری الگوریتمهای مختلف یادگیری عمیق و زمینههای کاربردی آنها را درک خواهید کرد، نحوه ساخت مدلهای یادگیری عمیق، بهینهسازی فراپارامترها و ارزیابی عملکرد مدل را خواهید آموخت. برنامه های مختلف یادگیری عمیق در پردازش تصویر، پردازش زبان طبیعی (NLP)، سیستم های توصیه، و تجزیه و تحلیل پیش بینی نیز پوشش داده خواهد شد. فصلهای بعدی به شما نشان میدهند که چگونه با مشکلات تشخیص مانند تشخیص تصویر و تشخیص سیگنال، خلاصهسازی برنامهای اسناد، انجام مدلسازی موضوعات و پیشبینی قیمتهای بازار سهام مقابله کنید. در پایان کتاب، با کاربردهای رایج GAN ها و نحوه ساخت مدل تولید چهره با استفاده از آنها آشنا خواهید شد. در نهایت، شما با استفاده از یادگیری تقویتی و یادگیری تقویتی عمیق برای حل مسائل مختلف دنیای واقعی مقابله خواهید کرد.
در پایان این کتاب یادگیری عمیق، میتوانید برنامههای یادگیری عمیق خود را با استفاده از چارچوبها و الگوریتمهای مناسب بسازید و اجرا کنید.
این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و توسعه دهندگان یادگیری عمیق که با یادگیری ماشینی آشنا هستند و به دنبال افزایش دانش خود از یادگیری عمیق با استفاده از مثال های عملی هستند. هر کسی که علاقه مند به افزایش کارایی برنامه های یادگیری ماشینی خود و کاوش در گزینه های مختلف در R باشد، این کتاب را نیز مفید خواهد یافت. دانش اولیه تکنیک های یادگیری ماشین و دانش کاری زبان برنامه نویسی R مورد انتظار است.
Explore and implement deep learning to solve various real-world problems using modern R libraries such as TensorFlow, MXNet, H2O, and Deepnet
Deep learning enables efficient and accurate learning from a massive amount of data. This book will help you overcome a number of challenges using various deep learning algorithms and architectures with R programming.
This book starts with a brief overview of machine learning and deep learning and how to build your first neural network. You'll understand the architecture of various deep learning algorithms and their applicable fields, learn how to build deep learning models, optimize hyperparameters, and evaluate model performance. Various deep learning applications in image processing, natural language processing (NLP), recommendation systems, and predictive analytics will also be covered. Later chapters will show you how to tackle recognition problems such as image recognition and signal detection, programmatically summarize documents, conduct topic modeling, and forecast stock market prices. Toward the end of the book, you will learn the common applications of GANs and how to build a face generation model using them. Finally, you'll get to grips with using reinforcement learning and deep reinforcement learning to solve various real-world problems.
By the end of this deep learning book, you will be able to build and deploy your own deep learning applications using appropriate frameworks and algorithms.
This book is for data scientists, machine learning engineers, and deep learning developers who are familiar with machine learning and are looking to enhance their knowledge of deep learning using practical examples. Anyone interested in increasing the efficiency of their machine learning applications and exploring various options in R will also find this book useful. Basic knowledge of machine learning techniques and working knowledge of the R programming language is expected.