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 Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform

دانلود کتاب مقدمه ای بر یادگیری عمیق برای مهندسان: استفاده از پایتون و پلت فرم ابری Google

Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform

مشخصات کتاب

Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform

ویرایش:  
نویسندگان:   
سری: Synthesis Lectures on Mechanical Engineering 
ISBN (شابک) : 9781681739137, 1681739135 
ناشر: Morgan & Claypool 
سال نشر: 2020 
تعداد صفحات: 111 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 25 مگابایت 

قیمت کتاب (تومان) : 46,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Introduction to Deep Learning for Engineers: Using Python and Google Cloud Platform 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 مقدمه ای بر یادگیری عمیق برای مهندسان: استفاده از پایتون و پلت فرم ابری Google 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 مقدمه ای بر یادگیری عمیق برای مهندسان: استفاده از پایتون و پلت فرم ابری Google

این کتاب یک مقدمه کوتاه و مراحل پیاده سازی آسان برای یادگیری عمیق با استفاده از Google Cloud Platform را ارائه می دهد. همچنین شامل یک مطالعه موردی عملی است که استفاده از Python و کتابخانه‌های مرتبط را برای اجرای یک مدل یادگیری عمیق از پیش آموزش دیده برجسته می‌کند. در سال‌های اخیر، رویکردهای مدل‌سازی مبتنی بر یادگیری عمیق در طیف گسترده‌ای از حوزه‌های مهندسی، مانند اتومبیل‌های خودمختار، رباتیک هوشمند، بینایی کامپیوتر، پردازش زبان طبیعی و بیوانفورماتیک استفاده شده‌اند. همچنین، بسیاری از برنامه های مهندسی دنیای واقعی از یک مدل یادگیری عمیق از پیش آموزش دیده استفاده می کنند که قبلاً برای یک کار مرتبط توسعه یافته و بهینه شده است. با این حال، گنجاندن یک مدل یادگیری عمیق در یک پروژه تحقیقاتی بسیار چالش برانگیز است، به خصوص برای کسی که دانش یادگیری ماشین و محاسبات ابری مرتبط ندارد. با در نظر گرفتن این موضوع، این کتاب در نظر گرفته شده است تا معرفی کوتاهی از مبانی یادگیری عمیق از طریق مثال یک مورد اجرایی عملی باشد. مخاطبان این کتاب کوتاه، دانشجویان کارشناسی مهندسی هستند که می‌خواهند مدل‌های یادگیری عمیق را در پروژه کلاسی یا پروژه طراحی ارشد خود بدون سفر کامل در تئوری‌های یادگیری ماشین کشف کنند. بخش مطالعه موردی در پایان نیز یک رویکرد مقرون به صرفه و گام به گام ارائه می دهد که می تواند توسط دیگران به راحتی تکرار شود.


توضیحاتی درمورد کتاب به خارجی

This book provides a short introduction and easy-to-follow implementation steps of deep learning using Google Cloud Platform. It also includes a practical case study that highlights the utilization of Python and related libraries for running a pre-trained deep learning model. In recent years, deep learning-based modeling approaches have been used in a wide variety of engineering domains, such as autonomous cars, intelligent robotics, computer vision, natural language processing, and bioinformatics. Also, numerous real-world engineering applications utilize an existing pre-trained deep learning model that has already been developed and optimized for a related task. However, incorporating a deep learning model in a research project is quite challenging, especially for someone who doesn't have related machine learning and cloud computing knowledge. Keeping that in mind, this book is intended to be a short introduction of deep learning basics through the example of a practical implementation case. The audience of this short book is undergraduate engineering students who wish to explore deep learning models in their class project or senior design project without having a full journey through the machine learning theories. The case study part at the end also provides a cost-effective and step-by-step approach that can be replicated by others easily.



فهرست مطالب

Preface
Acknowledgments
Introduction: Python and Array Operations
	Introduction
	Anaconda Installation
	Using Jupyter Notebook
	Array Computing Using NumPy
		Importing NumPy and Basic Commands
		Changing Array Elements
		Creating Array with Specific Values
		Broadcasting in NumPy
Introduction to PyTorch
	Introduction
	Setting up PyTorch
	Basic PyTorch Operations
Basic Artificial Neural Network and Architectures
	Introduction
	Applications
	Neurons and Activation Functions
		Sigmoid Activation
		Hyperbolic Tangent Activation
		Rectified Linear Units (ReLU) Activation
		Leaky Rectified Linear Units (Leaky ReLU) Activation
		Exponential Linear Units (ELU) Activation
		SoftPlus Activation
	Minimizing the Loss Function
	Gradient Descent Algorithm
Introduction to Deep Learning
	Introduction
	Convolutional Neural Network
		Pooling Layer
		Fully Connected Layer
	Recurrent Neural Network (RNN)
		Basic Structures
	Other Deep Learning Models
Deep Transfer Learning
	Introduction
	Types of Transfer Learning
	Using Pre-Trained Networks
		Feature Extraction, Fine Tuning, and Data Augmentation
	Model Evaluation
Setting Up PyTorch and Google Cloud Platform Console
	Introduction
	Setting Up a GCP Account
	Create a New Project
	Set Up a VM instance
	GPU Quota Request
		A Cost-Effective Approach
	VPC Network
		Set Up External IP Address
		Create Firewall Rules
	Setting Up VM Instance to Run Models
		Anaconda Installation on VM
		Jupyter Notebook Set Up
Case Study: Practical Implementation Through Transfer Learning
	Problem Statement
	Data Processing
	Upload Data into Storage Bucket
	Transferring File to VM Instance
	Transfer Learning Steps
		Define Loss Function and Optimizer
		Install Dependencies
		Import Libraries
		Checkpoint and Adaptive Learning Rate
		Set Seed
		Dataset Class and Augmentation
		Data Preprocessing
	Transfer Learning Model (EfficientNet-B7)
	Fine-Tuning and Training
	Model Testing
	Conclusion
Bibliography
Author's Biography
Blank Page




نظرات کاربران