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 Intelligent Projects Using Python: 9 real-world AI projects leveraging machine learning and deep learning with TensorFlow and Keras

دانلود 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

Intelligent Projects Using Python: 9 real-world AI projects leveraging machine learning and deep learning with TensorFlow and Keras

مشخصات کتاب

Intelligent Projects Using Python: 9 real-world AI projects leveraging machine learning and deep learning with TensorFlow and Keras

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: Paperback 
نویسندگان:   
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 

قیمت کتاب (تومان) : 51,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


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.


توضیحاتی در مورد 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

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.


توضیحاتی درمورد کتاب به خارجی

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



فهرست مطالب

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




نظرات کاربران