ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Hands-On Deep Learning with R: A practical guide to designing, building, and improving neural network models using R. Code

دانلود کتاب آموزش عمیق عملی با R: راهنمای عملی برای طراحی، ساخت و بهبود مدل‌های شبکه عصبی با استفاده از کد R.

Hands-On Deep Learning with R: A practical guide to designing, building, and improving neural network models using R. Code

مشخصات کتاب

Hands-On Deep Learning with R: A practical guide to designing, building, and improving neural network models using R. Code

ویرایش:  
نویسندگان:   
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

قیمت کتاب (تومان) : 45,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 5


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.


توضیحاتی در مورد کتاب آموزش عمیق عملی با R: راهنمای عملی برای طراحی، ساخت و بهبود مدل‌های شبکه عصبی با استفاده از کد R.

کد .

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

ویژگی های کلیدی

  • درک الگوریتم‌ها و معماری‌های یادگیری عمیق با استفاده از R و تعیین اینکه کدام الگوریتم برای یک مسئله خاص مناسب‌تر است
  • بهبود مدل‌ها با استفاده از تنظیم پارامترها، مهندسی ویژگی‌ها و ترکیب‌بندی
  • استفاده از مدل‌های شبکه عصبی پیشرفته مانند رمزگذارهای خودکار عمیق و شبکه‌های متخاصم مولد (GAN) در دامنه‌های مختلف

توضیحات کتاب

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.

آنچه خواهید آموخت

  • یک شبکه عصبی پیشخور طراحی کنید تا ببینید تابع فعال‌سازی چگونه خروجی را محاسبه می‌کند
  • یک مدل تشخیص تصویر با استفاده از شبکه‌های عصبی کانولوشن (CNN) ایجاد کنید
  • داده‌ها را آماده کنید، تصمیم بگیرید لایه‌ها و نورون‌ها را پنهان کنید و مدل خود را با الگوریتم انتشار پس‌انداز آموزش دهید
  • از تکنیک‌های پاکسازی متن برای حذف متن غیراطلاعاتی با استفاده از NLP استفاده کنید
  • یک مدل GAN برای تولید چهره بسازید، آموزش دهید و ارزیابی کنید
    • li>
  • درک مفهوم و اجرای یادگیری تقویتی در R

این کتاب برای چه کسی است

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.

فهرست مطالب

  1. مبانی یادگیری ماشین
  2. راه اندازی R برای یادگیری عمیق
  3. شبکه های عصبی مصنوعی
  4. شبکه های عصبی کانولوشن برای تشخیص تصویر
  5. شبکه های عصبی پرسپترون چند لایه برای تشخیص سیگنال
  6. فیلترسازی مشارکتی عصبی استفاده از جاسازی‌ها
  7. آموزش عمیق برای پردازش زبان طبیعی
  8. شبکه‌های حافظه کوتاه‌مدت برای پیش‌بینی سهام
  9. شبکه‌های متخاصم مولد برای تولید چهره
  10. آموزش تقویتی برای بازی
  11. آموزش Deep Q برای حل پیچ و خم

توضیحاتی درمورد کتاب به خارجی

Code .

Explore and implement deep learning to solve various real-world problems using modern R libraries such as TensorFlow, MXNet, H2O, and Deepnet

Key Features

  • Understand deep learning algorithms and architectures using R and determine which algorithm is best suited for a specific problem
  • Improve models using parameter tuning, feature engineering, and ensembling
  • Apply advanced neural network models such as deep autoencoders and generative adversarial networks (GANs) across different domains

Book Description

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.

What you will learn

  • Design a feedforward neural network to see how the activation function computes an output
  • Create an image recognition model using convolutional neural networks (CNNs)
  • Prepare data, decide hidden layers and neurons and train your model with the backpropagation algorithm
  • Apply text cleaning techniques to remove uninformative text using NLP
  • Build, train, and evaluate a GAN model for face generation
  • Understand the concept and implementation of reinforcement learning in R

Who this book is for

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.

Table of Contents

  1. Machine Learning Basics
  2. Setting Up R for Deep Learning
  3. Artificial Neural Networks
  4. Convolutional Neural Networks for Image Recognition
  5. Multilayer Perceptron Neural Networks for Signal Detection
  6. Neural Collaborative Filtering Using Embeddings
  7. Deep Learning for Natural Language Processing
  8. Long Short-Term Memory Networks for Stock Forecast
  9. Generative Adversarial Networks for Face Generation
  10. Reinforcement Learning for gaming
  11. Deep Q Learning for Maze Solving




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی