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: Dipanjan Sarkar, Raghav Bali, Tamoghna Ghosh سری: ISBN (شابک) : 1788831306 ناشر: Packt Publishing سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 46 مگابایت
کلمات کلیدی مربوط به کتاب آموزش انتقال دست با استفاده از پایتون مدل های پیشرفته یادگیری عمیق و شبکه عصبی با استفاده از TensorFlow و Keras: علم داده، یادگیری عمیق، شبکه عصبی، پایتون، تنسورفلو، کراس
در صورت تبدیل فایل کتاب Hands-On Transfer Learning with Python Implement Advanced Deep Learning and Neural Network Models Using TensorFlow and Keras 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 انتقال دست با استفاده از پایتون مدل های پیشرفته یادگیری عمیق و شبکه عصبی با استفاده از TensorFlow و Keras 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.
یادگیری عمیق با ارتقای یادگیری تحت نظارت، بدون نظارت و تقویتی به سطح بعدی با استفاده از اکوسیستم پایتون ساده شده است. ویژگی های کلیدی • ساخت مدل های یادگیری عمیق با اصول یادگیری انتقال در پایتون • اجرای یادگیری انتقالی برای حل مسائل تحقیق در دنیای واقعی • عملیات پیچیده مانند انتقال تصویر به سبک عصبی را انجام دهید توضیحات کتاب یادگیری انتقالی یک تکنیک یادگیری ماشینی (ML) است که در آن دانش به دست آمده در طول آموزش مجموعه ای از مسائل را می توان برای حل مشکلات مشابه دیگر مورد استفاده قرار داد. هدف این کتاب دو جنبه است. در مرحله اول، ما بر پوشش دقیق یادگیری عمیق (DL) و انتقال یادگیری تمرکز میکنیم، و این دو را با مفاهیم و مثالهای ساده مقایسه و مقایسه میکنیم. دومین حوزه تمرکز، مثالهای دنیای واقعی و مشکلات تحقیقاتی با استفاده از TensorFlow، Keras و اکوسیستم پایتون با مثالهای عملی است. این کتاب با مفاهیم کلیدی ضروری ML و DL شروع میشود و سپس به تصویر و پوشش معماریهای مهم DL مانند شبکههای عصبی کانولوشن (CNN)، شبکههای عصبی عمیق (DNN)، شبکههای عصبی مکرر (RNNs)، حافظه کوتاهمدت میپردازد. (LSTM) و شبکه های کپسولی. سپس تمرکز ما بر روی انتقال مفاهیم یادگیری، مانند انجماد مدل، تنظیم دقیق، مدلهای از پیش آموزشدیده شده از جمله VGG، inception، ResNet و نحوه عملکرد بهتر این سیستمها نسبت به مدلهای DL با مثالهای عملی تغییر میکند. در فصلهای پایانی، ما بر روی بسیاری از مطالعات موردی در دنیای واقعی و مشکلات مرتبط با حوزههایی مانند بینایی رایانه، تجزیه و تحلیل صوتی و پردازش زبان طبیعی (NLP) تمرکز خواهیم کرد. تا پایان این کتاب، شما قادر خواهید بود هم اصول یادگیری DL و هم انتقال را در سیستم های خود پیاده سازی کنید. آنچه خواهید آموخت • محیط DL خود را با واحد پردازش گرافیکی (GPU) و پشتیبانی از Cloud تنظیم کنید • با مدل های ML و DL اصول یادگیری انتقال را بررسی کنید • معماری های مختلف DL، از جمله CNN، LSTM، و شبکه های کپسولی را کاوش کنید • در مورد نمایش داده ها و شبکه و عملکردهای از دست دادن اطلاعات کسب کنید • با مدل ها و استراتژی ها در یادگیری انتقالی آشنا شوید از چالش های بالقوه در ساخت مدل های یادگیری انتقال پیچیده از ابتدا عبور کنید • مشکلات تحقیق در دنیای واقعی مربوط به بینایی کامپیوتری و تجزیه و تحلیل صوتی را کاوش کنید • درک کنید که چگونه می توان از یادگیری انتقالی در NLP استفاده کرد این کتاب برای چه کسی است آموزش انتقال دستی با پایتون برای دانشمندان داده، مهندسان یادگیری ماشین، تحلیلگران و توسعهدهندگانی است که به دادهها علاقه دارند و از روشهای یادگیری انتقال پیشرفته برای حل مشکلات دنیای واقعی استفاده میکنند. مهارت اولیه در یادگیری ماشین و پایتون مورد نیاز است.
Deep learning simplified by taking supervised, unsupervised, and reinforcement learning to the next level using the Python ecosystem Key Features • Build deep learning models with transfer learning principles in Python • implement transfer learning to solve real-world research problems • Perform complex operations such as image captioning neural style transfer Book Description Transfer learning is a machine learning (ML) technique where knowledge gained during training a set of problems can be used to solve other similar problems. The purpose of this book is two-fold; firstly, we focus on detailed coverage of deep learning (DL) and transfer learning, comparing and contrasting the two with easy-to-follow concepts and examples. The second area of focus is real-world examples and research problems using TensorFlow, Keras, and the Python ecosystem with hands-on examples. The book starts with the key essential concepts of ML and DL, followed by depiction and coverage of important DL architectures such as convolutional neural networks (CNNs), deep neural networks (DNNs), recurrent neural networks (RNNs), long short-term memory (LSTM), and capsule networks. Our focus then shifts to transfer learning concepts, such as model freezing, fine-tuning, pre-trained models including VGG, inception, ResNet, and how these systems perform better than DL models with practical examples. In the concluding chapters, we will focus on a multitude of real-world case studies and problems associated with areas such as computer vision, audio analysis and natural language processing (NLP). By the end of this book, you will be able to implement both DL and transfer learning principles in your own systems. What you will learn • Set up your own DL environment with graphics processing unit (GPU) and Cloud support • Delve into transfer learning principles with ML and DL models • Explore various DL architectures, including CNN, LSTM, and capsule networks • Learn about data and network representation and loss functions • Get to grips with models and strategies in transfer learning • Walk through potential challenges in building complex transfer learning models from scratch • Explore real-world research problems related to computer vision and audio analysis • Understand how transfer learning can be leveraged in NLP Who this book is for Hands-On Transfer Learning with Python is for data scientists, machine learning engineers, analysts and developers with an interest in data and applying state-of-the-art transfer learning methodologies to solve tough real-world problems. Basic proficiency in machine learning and Python is required.
Table of Contents Machine Learning Fundamentals Deep Learning Essentials Understanding Deep Learning Architectures Transfer Learning Fundamentals Unleash the Power of Transfer Learning Image Recognition and Classification Text Document Categorization Audio Identification and Categorization Deep Dream Neural Style Transfer Automated Image Caption Generator Image Colorization