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 Machine Learning with TensorFlow.js: A guide to building ML applications integrated with web technology using the TensorFlow.js library

دانلود کتاب یادگیری ماشینی دستی با TensorFlow.js: راهنمای ساخت برنامه های کاربردی ML با فناوری وب با استفاده از کتابخانه TensorFlow.js

Hands-On Machine Learning with TensorFlow.js: A guide to building ML applications integrated with web technology using the TensorFlow.js library

مشخصات کتاب

Hands-On Machine Learning with TensorFlow.js: A guide to building ML applications integrated with web technology using the TensorFlow.js library

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781838821739, 1838821732 
ناشر: Packt Publishing 
سال نشر: 2019 
تعداد صفحات: 285 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 26 مگابایت 

قیمت کتاب (تومان) : 47,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 11


در صورت تبدیل فایل کتاب Hands-On Machine Learning with TensorFlow.js: A guide to building ML applications integrated with web technology using the TensorFlow.js library 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 یادگیری ماشینی دستی با TensorFlow.js: راهنمای ساخت برنامه های کاربردی ML با فناوری وب با استفاده از کتابخانه TensorFlow.js 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 یادگیری ماشینی دستی با TensorFlow.js: راهنمای ساخت برنامه های کاربردی ML با فناوری وب با استفاده از کتابخانه TensorFlow.js



با کتابخانه جاوا اسکریپت مبتنی بر مرورگر برای آموزش و استقرار موثر مدل‌های یادگیری ماشینی استفاده کنید

ویژگی‌های کلیدی

  • ساخت، آموزش و اجرای مدل های یادگیری ماشین در مرورگر با استفاده از TensorFlow.js
  • ایجاد برنامه های کاربردی وب هوشمند از ابتدا با کمک مثال های مفید
  • از API های منعطف و بصری از TensorFlow.js برای درک استفاده کنید نحوه عملکرد الگوریتم‌های یادگیری ماشینی

توضیحات کتاب

TensorFlow.js چارچوبی است که به شما امکان می‌دهد برنامه‌های یادگیری ماشینی عملکردی (ML) ایجاد کنید که به راحتی در یک مرورگر وب اجرا می‌شوند. . با این کتاب، یاد خواهید گرفت که چگونه از TensorFlow.js برای پیاده سازی مدل های مختلف ML از طریق یک رویکرد مبتنی بر مثال استفاده کنید.

با شروع با اصول اولیه، متوجه خواهید شد که چگونه می توان مدل های ML را در وب ساخت. با حرکت به جلو، با اکوسیستم TensorFlow.js مقابله خواهید کرد تا برنامه ها را کارآمدتر توسعه دهید. سپس این کتاب شما را از طریق پیاده‌سازی تکنیک‌ها و الگوریتم‌های ML مانند رگرسیون، خوشه‌بندی، تبدیل فوریه سریع (FFT) و کاهش ابعاد راهنمایی می‌کند. شما بعداً معادله بلمن را برای حل مسائل فرآیند تصمیم گیری مارکوف (MDP) و چگونگی ارتباط آن با یادگیری تقویتی را پوشش خواهید داد. در نهایت، تکنیک‌هایی را برای استقرار برنامه‌های کاربردی وب مبتنی بر ML و مدل‌های آموزشی با TensorFlow Core بررسی خواهید کرد. در سرتاسر این کتاب ML، نکات و ترفندهای مفیدی را کشف خواهید کرد که بر اساس دانش شما خواهد بود.

در پایان این کتاب، شما به مهارت‌هایی که برای ایجاد برنامه‌های کاربردی ML مبتنی بر وب و مدل‌های تنظیم دقیق برای دستیابی به عملکرد بالا نیاز دارید، مجهز خواهید شد.

خواهید آموخت

  • از الگوریتم t-SNE در TensorFlow.js برای کاهش ابعاد در مجموعه داده ورودی استفاده کنید
  • تبدیل tfjs را برای تبدیل مدل‌های Keras و بارگذاری آن‌ها در TensorFlow به کار ببرید. .js
  • برای حل مسائل MDP از معادله بلمن استفاده کنید
  • از الگوریتم k-means در TensorFlow.js برای تجسم نتایج پیش بینی استفاده کنید
  • ایجاد بسته های tf.js با Parcel، Webpack و Rollup برای استقرار برنامه های وب
  • پیاده سازی چارچوب های پشتیبان tf.js برای تنظیم و تسریع عملکرد برنامه

این کتاب برای چه کسانی است

این کتاب برای توسعه دهندگان وب است که می خواهند یاد بگیرند که چگونه تکنیک های یادگیری ماشین را با برنامه های مبتنی بر وب از ابتدا یکپارچه کنند. این کتاب همچنین برای دانشمندان داده، متخصصان یادگیری ماشین و علاقه مندان به یادگیری عمیق که به دنبال انجام یادگیری ماشینی مبتنی بر مرورگر بر روی وب با استفاده از TensorFlow.js هستند، جذاب خواهد بود. دانش زبان برنامه نویسی جاوا اسکریپت تنها چیزی است که برای شروع به آن نیاز دارید.

فهرست مطالب

  1. آموزش ماشین برای وب
  2. وارد کردن از قبل آموزش دیده مدل‌هایی در TensorFlow.js
  3. اکوسیستم TensorFlow.js
  4. رگرسیون چند جمله‌ای
  5. طبقه‌بندی با رگرسیون لجستیک
  6. یادگیری بدون نظارت< li>تحلیل متوالی داده
  7. کاهش ابعاد
  8. حل مشکلات تصمیم مارکوف
  9. استقرار برنامه های یادگیری ماشین
  10. تنظیم برنامه های کاربردی برای دستیابی به عملکرد بالا< /li>
  11. Future Works در اطراف TensorFlow.js

توضیحاتی درمورد کتاب به خارجی

Get hands-on with the browser-based JavaScript library for training and deploying machine learning models effectively

Key Features

  • Build, train and run machine learning models in the browser using TensorFlow.js
  • Create smart web applications from scratch with the help of useful examples
  • Use flexible and intuitive APIs from TensorFlow.js to understand how machine learning algorithms function

Book Description

TensorFlow.js is a framework that enables you to create performant machine learning (ML) applications that run smoothly in a web browser. With this book, you will learn how to use TensorFlow.js to implement various ML models through an example-based approach.

Starting with the basics, you'll understand how ML models can be built on the web. Moving on, you will get to grips with the TensorFlow.js ecosystem to develop applications more efficiently. The book will then guide you through implementing ML techniques and algorithms such as regression, clustering, fast Fourier transform (FFT), and dimensionality reduction. You will later cover the Bellman equation to solve Markov decision process (MDP) problems and understand how it is related to reinforcement learning. Finally, you will explore techniques for deploying ML-based web applications and training models with TensorFlow Core. Throughout this ML book, you'll discover useful tips and tricks that will build on your knowledge.

By the end of this book, you will be equipped with the skills you need to create your own web-based ML applications and fine-tune models to achieve high performance.

What you will learn

  • Use the t-SNE algorithm in TensorFlow.js to reduce dimensions in an input dataset
  • Deploy tfjs-converter to convert Keras models and load them into TensorFlow.js
  • Apply the Bellman equation to solve MDP problems
  • Use the k-means algorithm in TensorFlow.js to visualize prediction results
  • Create tf.js packages with Parcel, Webpack, and Rollup to deploy web apps
  • Implement tf.js backend frameworks to tune and accelerate app performance

Who this book is for

This book is for web developers who want to learn how to integrate machine learning techniques with web-based applications from scratch. This book will also appeal to data scientists, machine learning practitioners, and deep learning enthusiasts who are looking to perform accelerated, browser-based machine learning on Web using TensorFlow.js. Working knowledge of JavaScript programming language is all you need to get started.

Table of Contents

  1. Machine Learning for the Web
  2. Importing Pre-trained Models into TensorFlow.js
  3. TensorFlow.js Ecosystem
  4. Polynomial Regression
  5. Classification with Logistic Regression
  6. Unsupervised Learning
  7. Sequential Data Analysis
  8. Dimensionality Reduction
  9. Solving Markov decision problems
  10. Deploying Machine Learning Applications
  11. Tuning applications to achieve high performance
  12. Future Works around TensorFlow.js


فهرست مطالب

Cover
Title Page
Copyright and Credits
About Packt
Contributors
Table of Contents
Preface
Section 1: The Rationale of Machine Learning and the Usage of TensorFlow.js
Chapter 1: Machine Learning for the Web
	Technical requirements
	Why machine learning on the web?
	Operation graphs
		Visualizing an operation graph
		Automatic differentiation
	What is TensorFlow.js?
		Seamless integration with web technologies
		Hardware acceleration using web browser APIs
		Compatibility with TensorFlow
		Data privacy
	Installing TensorFlow.js
		tfjs-converter
	The low-level API
		Tensors
		Operations
		Memory
		Eager execution
	The Layers API
		Sequential model
		Functional model
		Model summary
		Custom layers
	Summary
	Questions
	Further reading
Chapter 2: Importing Pretrained Models into TensorFlow.js
	Technical requirements
	The portable model format
		Protocol buffers
		GraphDef
		NodeDef
	Exporting a model from TensorFlow
		TensorFlow's SavedModel
			The SavedModel format
			Simple save
			The SavedModelBuilder API
		The Keras HDF5 model
	Converting models using tfjs-converter
		Converting a TensorFlow SavedModel
		The Keras HDF5 model
		The TensorFlow Hub module
	Loading the model into TensorFlow.js
		Supported operations
	Summary
	Questions
	Further reading
Chapter 3: TensorFlow.js Ecosystem
	Technical requirements
	Why high-level libraries?
	Using existing models
		MobileNet in tfjs-models
		Supported models
		Image classification application
		Example applications in the community
	Loading the data from various kinds of storage
		Data sources
		Webcam
	Pose detection with ML5.js
		Supported models
		PoseNet in ML5.js
	Drawing cats with Magenta.js
		Sketch drawing
	XOR classification with machinelearn.js
		Random forest classifier
	Summary
	Exercises
	Further reading
Section 2: Real-World Applications of TensorFlow.js
Chapter 4: Polynomial Regression
	Technical requirements
	What is polynomial regression?
		Supervised learning
		The simplest linear model
		General polynomial model
		The loss function
		Optimizer for machine learning
		Optimizers in TensorFlow.js
	Two-dimensional curve fitting
		Preparing the dataset
		Applying the 2-degree polynomial model
		Loss function by mean squared error
		Looking into the optimization process
		Fitting the curve
	Summary
	Questions
	Further reading
Chapter 5: Classification with Logistic Regression
	Technical requirements
	Background of binary classification
	What is logistic regression?
		The behavior of the probabilistic generative model
		Optimization process
	Classifying two-dimensional clusters
		Preparing the dataset
		Logistic regression model with the Core API
		Optimizing with the cross-entropy loss function
		Implementing a logistic regression model with the Layers API
		Implementing a logistic regression model with machinelearn.js
	Summary
	Questions
	Further reading
Chapter 6: Unsupervised Learning
	Technical requirements
	What is unsupervised learning?
	Learning how K-means works
		Centroid
		Algorithm
		Evaluation
	Generalizing K-means with the EM algorithm
		The algorithm
		Relationship with K-means
	Clustering two groups in a 2D space
		The three clusters
		K-means implementation
	Summary
	Exercise
	Further reading
Chapter 7: Sequential Data Analysis
	Technical requirements
	What is Fourier transformation?
		Constituent frequencies as a feature
		Discrete Fourier transform
		Fast Fourier transform
	Cosine curve decomposition
		Complex number type
		The cosine curve
		Fourier transformation for cosine curves
		Fourier transformation for composite curves
		Inversed Fourier transform
	Summary
	Exercise
	Further reading
Chapter 8: Dimensionality Reduction
	Technical requirements
	Why dimensionality reduction?
		Curse of dimensionality
	Understanding principal component analysis
		Variance maximization
	Projecting 3D points into a 2D space with PCA
		Three-dimensional clusters
		Principal component calculation
		The variance of projected datasets
	Word embedding
		What is word embedding?
		Loading the IMDb dataset
		Embedding the model
		Visualization of embeddings
	Summary
	Exercise
	Further reading
Chapter 9: Solving the Markov Decision Process
	Technical requirements
	Reinforcement learning
		MDP
		Discounted total reward
		State-value function
		Bellman equation
		Q-learning
	Solving the four-states environment
		Designing the environment
		The Q-learning process
	Summary
	Exercise
	Further reading
Section 3: Productionizing Machine Learning Applications with TensorFlow.js
Chapter 10: Deploying Machine Learning Applications
	Technical requirements
	The ecosystem around the JavaScript platform
		JavaScript in modern web browsers
		Node.js
		Node package manager
		Benefits of TypeScript in ML applications
	Module bundler
		Parcel
		Webpack
	Deploying modules with GitHub Pages
	Summary
	Questions
	Further reading
Chapter 11: Tuning Applications to Achieve High Performance
	Technical requirements
	The backend API of TensorFlow.js
		Operations that use the CPU backend
			Low overhead
			Memory management
		Implementing higher parallelism using the WebGL backend
			Avoid blocking the main thread
			Prefer tf.tidy to be free from memory management
			Floating number precision
			Save the overhead of shader compilation
		Using TensorFlow with the Node.js backend
	Tensor management
		Tensor construction
		Tensors as variables
		Revisiting tensor destruction
	Asynchronous data access
	Profiling
		Chrome profiler
	Model visualization
	Summary
	Questions
	Further reading
Chapter 12: Future Work Around TensorFlow.js
	Technical requirements
	Experimental backend implementations
		WebGPU – a new standard for accelerated graphics and computations
		WebAssembly – where the web meets the hardware instruction set
		React Native – moving forward to mobile-native applications
			Creating a React Native app
			Installing the dependencies required for TensorFlow.js
			Writing an application
			Running the application
		Electron – cross-platform desktop environment
	AutoML edge helper
	Summary
	Questions
	Further Reading
Other Books You May Enjoy
Index




نظرات کاربران