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: 1
نویسندگان: Taweh Beysolow II (auth.)
سری:
ISBN (شابک) : 9781484227343, 9781484227336
ناشر: Apress
سال نشر: 2017
تعداد صفحات: 240
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 مگابایت
کلمات کلیدی مربوط به کتاب مقدمه ای بر یادگیری عمیق با استفاده از R: راهنمای گام به گام برای یادگیری و پیاده سازی مدل های یادگیری عمیق با استفاده از R: کلان داده/تحلیل، متدولوژی های محاسباتی، زبان های برنامه نویسی، کامپایلرها، مترجمان
در صورت تبدیل فایل کتاب Introduction to Deep Learning Using R: A Step-by-Step Guide to Learning and Implementing Deep Learning Models Using R 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 با استفاده از R: راهنمای گام به گام برای یادگیری و پیاده سازی مدل های یادگیری عمیق با استفاده از R 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.
درک یادگیری عمیق، تفاوتهای ظریف مدلهای مختلف آن، و مکانهایی که میتوان این مدلها را به کار برد.
فراوانی دادهها و تقاضا برای محصولات/خدمات برتر باعث شده است توسعه تکنیک های پیشرفته علوم کامپیوتر، از جمله تشخیص تصویر و گفتار. مقدمه ای بر یادگیری عمیق با استفاده از R درکی نظری و عملی از مدل هایی که این وظایف را با ایجاد مبانی علم داده از طریق یادگیری ماشین و یادگیری عمیق انجام می دهند، ارائه می دهد. این راهنمای گام به گام به شما در درک رشته ها کمک می کند تا بتوانید روش شناسی را در زمینه های مختلف به کار ببرید. همه مثالها به زبان آماری R آموزش داده میشوند و به دانشآموزان و متخصصان این امکان را میدهند تا این تکنیکها را با استفاده از ابزارهای منبع باز پیادهسازی کنند.آنچه شما خواهید آموخت< p>Understand deep learning, the nuances of its different models, and where these models can be applied.
The abundance of data and demand for superior products/services have driven the development of advanced computer science techniques, among them image and speech recognition. Introduction to Deep Learning Using R provides a theoretical and practical understanding of the models that perform these tasks by building upon the fundamentals of data science through machine learning and deep learning. This step-by-step guide will help you understand the disciplines so that you can apply the methodology in a variety of contexts. All examples are taught in the R statistical language, allowing students and professionals to implement these techniques using open source tools.What You'll LearnFront Matter....Pages i-xix
Introduction to Deep Learning....Pages 1-9
Mathematical Review....Pages 11-43
A Review of Optimization and Machine Learning....Pages 45-87
Single and Multilayer Perceptron Models....Pages 89-100
Convolutional Neural Networks (CNNs)....Pages 101-112
Recurrent Neural Networks (RNNs)....Pages 113-124
Autoencoders, Restricted Boltzmann Machines, and Deep Belief Networks....Pages 125-136
Experimental Design and Heuristics....Pages 137-166
Hardware and Software Suggestions....Pages 167-170
Machine Learning Example Problems....Pages 171-194
Deep Learning and Other Example Problems....Pages 195-218
Closing Statements....Pages 219-220
Back Matter....Pages 221-227