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
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: Paperback نویسندگان: Santanu Pattanayak سری: 1 ISBN (شابک) : 1788996925, 9781788996921 ناشر: Packt Publishing سال نشر: 2019 تعداد صفحات: 434 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 38 مگابایت
در صورت تبدیل فایل کتاب Intelligent Projects Using Python: 9 real-world AI projects leveraging machine learning and deep learning with 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 پروژه های هوشمند با استفاده از پایتون: 9 پروژه AI در دنیای واقعی با استفاده از یادگیری ماشین و یادگیری عمیق با TensorFlow و Keras 788996925، 97878899692 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.
پیادهسازی روشهای یادگیری ماشینی و یادگیری عمیق برای ساخت پروژههای هوش مصنوعی هوشمند و شناختی با استفاده از ویژگیهای کلیدی Python راهنمای کاربردی برای کمک به تسلط بر الگوریتمها و مفاهیم هوش مصنوعی 8 پروژه دنیای واقعی که با چالشهای مختلف در مراقبتهای بهداشتی، تجارت الکترونیک و نظارت مقابله میکنند، استفاده از TensorFlow ، Keras و دیگر کتابخانه های پایتون برای پیاده سازی برنامه های کاربردی هوش مصنوعی هوشمند شرح کتاب اگر می خواهید پروژه های روشنگری را از دامنه های هوش مصنوعی پیشرو با استفاده از Python بسازید این کتاب یک همراه عالی خواهد بود. این کتاب اجرای دقیق پروژه ها از تمام رشته های اصلی هوش مصنوعی را پوشش می دهد. ما با پوشش اصول اولیه نحوه ایجاد سیستم های هوشمند با استفاده از یادگیری ماشینی و تکنیک های یادگیری عمیق شروع می کنیم. شما معماری های مختلف شبکه های عصبی مانند CNN، RNN، LSTM را برای حل چالش های حیاتی دنیای جدید جذب خواهید کرد. شما یاد خواهید گرفت که مدلی را برای تشخیص شرایط رتینوپاتی دیابتی در چشم انسان و ایجاد یک سیستم هوشمند برای انجام ترجمه ویدئو به متن آموزش دهید. شما از تکنیک یادگیری انتقال در حوزه مراقبت های بهداشتی استفاده خواهید کرد و انتقال سبک را با استفاده از GAN ها پیاده سازی خواهید کرد. بعداً یاد خواهید گرفت که سیستمهای توصیه مبتنی بر هوش مصنوعی، یک برنامه تلفن همراه برای تجزیه و تحلیل احساسات و یک ربات چت قدرتمند برای ارائه خدمات مشتری بسازید. برای تولید کپچا، تکنیکهای هوش مصنوعی را در حوزه امنیت سایبری پیادهسازی خواهید کرد. بعداً با استفاده از یادگیری تقویتی، وسایل نقلیه خودران را آموزش خواهید داد و میسازید. شما از کتابخانههایی از اکوسیستم پایتون مانند TensorFlow، Keras و موارد دیگر برای ارائه جنبههای اصلی یادگیری ماشین، یادگیری عمیق و هوش مصنوعی استفاده خواهید کرد. در پایان این کتاب، شما مهارت خواهید داشت که مدل های هوشمند خود را برای مقابله با هر نوع مشکل هوش مصنوعی بدون هیچ زحمتی بسازید. آنچه یاد خواهید گرفت ساخت یک سیستم ترجمه ماشینی هوشمند با استفاده از ماشینهای ترجمه عصبی seq-2-seq برنامههای هوش مصنوعی را با استفاده از GAN ایجاد کنید و برنامههای تلفن همراه هوشمند را با استفاده از TensorFlow به کار ببرید. ویدیوها را به متن با استفاده از CNN و RNN تبدیل کنید. چندین دامنه ایجاد تقویت هوشمند، برنامه های کاربردی مبتنی بر یادگیری با استفاده از Q-Learning Break و تولید CAPTCHA با استفاده از یادگیری عمیق و یادگیری متخاصم این کتاب برای چه کسانی است این کتاب برای دانشمندان داده، متخصصان یادگیری ماشین و متخصصان یادگیری عمیق در نظر گرفته شده است که آماده گسترش هستند. دانش و پتانسیل آنها در هوش مصنوعی. اگر میخواهید سیستمهای هوشمند واقعی بسازید تا نقشی حیاتی در هر حوزه پیچیده ایفا کنند، این کتاب همان چیزی است که به آن نیاز دارید. انتظار می رود دانش برنامه نویسی پایتون و آشنایی با یادگیری ماشین اولیه و مفاهیم یادگیری عمیق به شما کمک کند تا از این کتاب بیشترین بهره را ببرید.
Implement machine learning and deep learning methodologies to build smart, cognitive AI projects using Python Key Features A go-to guide to help you master AI algorithms and concepts 8 real-world projects tackling different challenges in healthcare, e-commerce, and surveillance Use TensorFlow, Keras, and other Python libraries to implement smart AI applications Book Description This book will be a perfect companion if you want to build insightful projects from leading AI domains using Python. The book covers detailed implementation of projects from all the core disciplines of AI. We start by covering the basics of how to create smart systems using machine learning and deep learning techniques. You will assimilate various neural network architectures such as CNN, RNN, LSTM, to solve critical new world challenges. You will learn to train a model to detect diabetic retinopathy conditions in the human eye and create an intelligent system for performing a video-to-text translation. You will use the transfer learning technique in the healthcare domain and implement style transfer using GANs. Later you will learn to build AI-based recommendation systems, a mobile app for sentiment analysis and a powerful chatbot for carrying customer services. You will implement AI techniques in the cybersecurity domain to generate Captchas. Later you will train and build autonomous vehicles to self-drive using reinforcement learning. You will be using libraries from the Python ecosystem such as TensorFlow, Keras and more to bring the core aspects of machine learning, deep learning, and AI. By the end of this book, you will be skilled to build your own smart models for tackling any kind of AI problems without any hassle. What you will learn Build an intelligent machine translation system using seq-2-seq neural translation machines Create AI applications using GAN and deploy smart mobile apps using TensorFlow Translate videos into text using CNN and RNN Implement smart AI Chatbots, and integrate and extend them in several domains Create smart reinforcement, learning-based applications using Q-Learning Break and generate CAPTCHA using Deep Learning and Adversarial Learning Who this book is for This book is intended for data scientists, machine learning professionals, and deep learning practitioners who are ready to extend their knowledge and potential in AI. If you want to build real-life smart systems to play a crucial role in every complex domain, then this book is what you need. Knowledge of Python programming and a familiarity with basic machine learning and deep learning concepts are expected to help you get the most out of the book
Cover Title Page Copyright and Credits About Packt Contributors Table of Contents Preface Chapter 1: Foundations of Artificial Intelligence Based Systems Neural networks Neural activation units Linear activation units Sigmoid activation units The hyperbolic tangent activation function Rectified linear unit (ReLU) The softmax activation unit The backpropagation method of training neural networks Convolutional neural networks Recurrent neural networks (RNNs) Long short-term memory (LSTM) cells Generative adversarial networks Reinforcement learning Q-learning Deep Q-learning Transfer learning Restricted Boltzmann machines Autoencoders Summary Chapter 2: Transfer Learning Technical requirements Introduction to transfer learning Transfer learning and detecting diabetic retinopathy The diabetic retinopathy dataset Formulating the loss function Taking class imbalances into account Preprocessing the images Additional data generation using affine transformation Rotation Translation Scaling Reflection Additional image generation through affine transformation Network architecture The VGG16 transfer learning network The InceptionV3 transfer learning network The ResNet50 transfer learning network The optimizer and initial learning rate Cross-validation Model checkpoints based on validation log loss Python implementation of the training process Dynamic mini batch creation during training Results from the categorical classification Inference at testing time Performing regression instead of categorical classification Using the keras sequential utils as generator Summary Chapter 3: Neural Machine Translation Technical requirements Rule-based machine translation The analysis phase Lexical transfer phase Generation phase Statistical machine-learning systems Language model Perplexity for language models Translation model Neural machine translation The encoder–decoder model Inference using the encoder–decoder model Implementing a sequence-to-sequence neural translation machine Processing the input data Defining a model for neural machine translation Loss function for the neural translation machine Training the model Building the inference model Word vector embeddings Embeddings layer Implementing the embeddings-based NMT Summary Chapter 4: Style Transfer in Fashion Industry using GANs Technical requirements DiscoGAN CycleGAN Learning to generate natural handbags from sketched outlines Preprocess the Images The generators of the DiscoGAN The discriminators of the DiscoGAN Building the network and defining the cost functions Building the training process Important parameter values for GAN training Invoking the training Monitoring the generator and the discriminator loss Sample images generated by DiscoGAN Summary Chapter 5: Video Captioning Application Technical requirements CNNs and LSTMs in video captioning A sequence-to-sequence video-captioning system Data for the video-captioning system Processing video images to create CNN features Processing the labelled captions of the video Building the train and test dataset Building the model Definition of the model variables Encoding stage Decoding stage Building the loss for each mini-batch Creating a word vocabulary for the captions Training the model Training results Inference with unseen test videos Inference function Results from evaluation Summary Chapter 6: The Intelligent Recommender System Technical requirements What is a recommender system? Latent factorization-based recommendation system Deep learning for latent factor collaborative filtering The deep learning-based latent factor model SVD++ Training model with SVD++ on the Movie Lens 100k dataset Restricted Boltzmann machines for recommendation Contrastive divergence Collaborative filtering using RBMs Collaborative filtering implementation using RBM Processing the input Building the RBM network for collaborative filtering Training the RBM Inference using the trained RBM Summary Chapter 7: Mobile App for Movie Review Sentiment Analysis Technical requirements Building an Android mobile app using TensorFlow mobile Movie review rating in an Android app Preprocessing the movie review text Building the model Training the model The batch generator Freezing the model to a protobuf format Creating a word-to-token dictionary for inference App interface page design The core logic of the Android app Testing the mobile app Summary Chapter 8: Conversational AI Chatbots for Customer Service Technical requirements Chatbot architecture A sequence-to-sequence model using an LSTM Building a sequence-to-sequence model Customer support on Twitter Creating data for training the chatbot Tokenizing the text into word indices Replacing anonymized screen names Defining the model Loss function for training the model Training the model Generating output responses from the model Putting it all together Invoking the training Results of inference on some input tweets Summary Chapter 9: Autonomous Self-Driving Car Through Reinforcement Learning Technical requirements Markov decision process Learning the Q value function Deep Q learning Formulating the cost function Double deep Q learning Implementing an autonomous self-driving car Discretizing actions for deep Q learning Implementing the Double Deep Q network Designing the agent The environment for the self-driving car Putting it all together Helper functions Results from the training Summary Chapter 10: CAPTCHA from a Deep-Learning Perspective Technical requirements Breaking CAPTCHAs with deep learning Generating basic CAPTCHAs Generating data for training a CAPTCHA breaker Captcha breaker CNN architecture Pre-processing the CAPTCHA images Converting the CAPTCHA characters to classes Data generator Training the CAPTCHA breaker Accuracy on the test data set CAPTCHA generation through adversarial learning Optimizing the GAN loss Generator network Discriminator network Training the GAN Noise distribution Data preprocessing Invoking the training The quality of CAPTCHAs during training Using the trained generator to create CAPTCHAs for use Summary Other Books You May Enjoy Index