دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Introduction to Deep Learning: With Complexe Python and TensorFlow Examples
دانلود کتاب مقدمه ای بر یادگیری عمیق: با مثال های پیچیده پایتون و تنسورفلو
مشخصات کتاب
Introduction to Deep Learning: With Complexe Python and TensorFlow Examples
ویرایش:
نویسندگان: Jürgen Brauer
سری:
ناشر: www.juergenbrauer.org
سال نشر: 2018
تعداد صفحات: 245
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 32 مگابایت
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب Introduction to Deep Learning: With Complexe Python and TensorFlow Examples 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 مثال های پیچیده پایتون و تنسورفلو 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: با مثال های پیچیده پایتون و تنسورفلو
در علوم کامپیوتر در حال حاضر به دلیل رشته جدیدی به نام
\"یادگیری عمیق\" یک روحیه طلایی وجود دارد.
اما یادگیری عمیق چیست؟ این کتاب مقدمه‌ای بر شبکه‌های عصبی و مهمترین مدل یادگیری عمیق - مدل شبکه عصبی کانولوشنال است که شامل شرح ترفندهایی است که می‌توان برای آموزش سریع‌تر چنین مدل‌هایی استفاده کرد.
ما با الگوی بیولوژیکی شروع می کنیم: نورون. حدود 86.000.000.000 از این عناصر پردازش ساده در مغز شما هستند! و همه آنها به صورت موازی کار می کنند! ما در مورد چگونگی مدل‌سازی عملکرد یک نورون بیولوژیکی با مدل‌های نورون فنی بحث می‌کنیم و سپس اولین شبکه تک لایه ساده نورون‌های فنی را در نظر می‌گیریم. سپس مدل پرسپترون چندلایه (MLP) و شبکه عصبی کانولوشنال (CNN) را معرفی می‌کنیم که از MLP در انتهای خود استفاده می‌کند. در پایان کتاب، مسیرهای نویدبخش جدیدی را برای حوزه یادگیری عمیق مورد بحث قرار می دهیم.
یک فیزیکدان معروف زمانی گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم" . برای این کار، کتاب مملو از نمونه‌هایی از نحوه برنامه‌نویسی همه مدل‌های مورد بحث در پایتون و تنسورفلو است - امروزه، مهمترین کتابخانه یادگیری عمیق.
درباره نویسنده:پروفسور Dr.-Ing. یورگن برائر استاد پردازش و برنامه‌نویسی داده‌های حسگر در دانشگاه علوم کاربردی Kempten در آلمان است، جایی که او «یادگیری عمیق» و سایر سخنرانی‌های مرتبط با یادگیری ماشین را برای دانشجویان علوم کامپیوتر و سیستم‌های کمک راننده پیشرفته برگزار می‌کند.
تجربه شخصی او به او می گوید:
\"آنچه را که نمی توانم برنامه ریزی کنم، نمی فهمم\".
اما یادگیری عمیق چیست؟ این کتاب مقدمه‌ای بر شبکه‌های عصبی و مهمترین مدل یادگیری عمیق - مدل شبکه عصبی کانولوشنال است که شامل شرح ترفندهایی است که می‌توان برای آموزش سریع‌تر چنین مدل‌هایی استفاده کرد.
ما با الگوی بیولوژیکی شروع می کنیم: نورون. حدود 86.000.000.000 از این عناصر پردازش ساده در مغز شما هستند! و همه آنها به صورت موازی کار می کنند! ما در مورد چگونگی مدل‌سازی عملکرد یک نورون بیولوژیکی با مدل‌های نورون فنی بحث می‌کنیم و سپس اولین شبکه تک لایه ساده نورون‌های فنی را در نظر می‌گیریم. سپس مدل پرسپترون چندلایه (MLP) و شبکه عصبی کانولوشنال (CNN) را معرفی می‌کنیم که از MLP در انتهای خود استفاده می‌کند. در پایان کتاب، مسیرهای نویدبخش جدیدی را برای حوزه یادگیری عمیق مورد بحث قرار می دهیم.
یک فیزیکدان معروف زمانی گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم" . برای این کار، کتاب مملو از نمونه‌هایی از نحوه برنامه‌نویسی همه مدل‌های مورد بحث در پایتون و تنسورفلو است - امروزه، مهمترین کتابخانه یادگیری عمیق.
درباره نویسنده:پروفسور Dr.-Ing. یورگن برائر استاد پردازش و برنامه‌نویسی داده‌های حسگر در دانشگاه علوم کاربردی Kempten در آلمان است، جایی که او «یادگیری عمیق» و سایر سخنرانی‌های مرتبط با یادگیری ماشین را برای دانشجویان علوم کامپیوتر و سیستم‌های کمک راننده پیشرفته برگزار می‌کند.
تجربه شخصی او به او می گوید:
\"آنچه را که نمی توانم برنامه ریزی کنم، نمی فهمم\".
توضیحاتی درمورد کتاب به خارجی
In Computer Sciences there is currently a gold rush
mood due to a new field called "Deep Learning".
But what is Deep Learning? This book is an introduction to Neural Networks and the most important Deep Learning model - the Convolutional Neural Network model including a description of tricks that can be used to train such models more quickly.
We start with the biological role model: the Neuron. About 86.000.000.000 of these simple processing elements are in your brain! And they all work in parallel! We discuss how to model the operation of a biological neuron with technical neuron models and then consider the first simple single-layer network of technical neurons. We then introduce the Multi-Layer Perceptron (MLP) and the Convolutional Neural Network (CNN) model which uses the MLP at its end. At the end of the book we discuss promising new directions for the field of Deep Learning.
A famous physicist once said: "What I cannot create, I do not understand". For this, the book is full of examples of how to program all models discussed in Python and TensorFlow - Today, the most important Deep Learning library.
About the author:
Prof. Dr.-Ing. Juergen Brauer is a professor for Sensor Data Processing and Programming at the University of Applied Sciences Kempten in Germany where he holds a "Deep Learning" and other machine learning related lectures for Computer Science and Advanced Driver Assistance Systems students.
His personal experience tells him:
"What I cannot program, I do not understand".
But what is Deep Learning? This book is an introduction to Neural Networks and the most important Deep Learning model - the Convolutional Neural Network model including a description of tricks that can be used to train such models more quickly.
We start with the biological role model: the Neuron. About 86.000.000.000 of these simple processing elements are in your brain! And they all work in parallel! We discuss how to model the operation of a biological neuron with technical neuron models and then consider the first simple single-layer network of technical neurons. We then introduce the Multi-Layer Perceptron (MLP) and the Convolutional Neural Network (CNN) model which uses the MLP at its end. At the end of the book we discuss promising new directions for the field of Deep Learning.
A famous physicist once said: "What I cannot create, I do not understand". For this, the book is full of examples of how to program all models discussed in Python and TensorFlow - Today, the most important Deep Learning library.
About the author:
Prof. Dr.-Ing. Juergen Brauer is a professor for Sensor Data Processing and Programming at the University of Applied Sciences Kempten in Germany where he holds a "Deep Learning" and other machine learning related lectures for Computer Science and Advanced Driver Assistance Systems students.
His personal experience tells him:
"What I cannot program, I do not understand".
فهرست مطالب
"How are they called? Neutrons?"......Page 6
Convolutional Neural Networks drive the boom......Page 7
Neuroscience as a treasure for machine learning......Page 15
About this book......Page 18
Exponential growth of interest......Page 21
Acquisition of DL startups......Page 24
Hardware for DL......Page 27
Software for DL......Page 31
Your brain - A fascinating computing device......Page 33
Structure of a neuron......Page 36
Signal processing by action potentials......Page 38
Synapses......Page 40
Neuronal plasticity......Page 41
Spike-Timing Dependent Plasticity (STDP)......Page 43
What is the function of a biological neuron?......Page 47
Neurons as spatial feature or evidence detectors......Page 48
Neurons as temporal coincidence detectors......Page 52
Perceptron neuron model......Page 53
Neurons as filters......Page 56
Other neuron models......Page 61
Neural Coding......Page 62
The Perceptron neuro-computer......Page 65
Perceptron learning......Page 67
Perceptron in Python......Page 69
Limitations of the Perceptron......Page 77
The SOM neural network model......Page 83
A SOM in Python......Page 89
SOM and the Cortex......Page 101
The goal......Page 108
Basic idea is gradient descent......Page 109
Splitting the weight change formula into three parts......Page 111
Computing the first part......Page 112
Computing the third part......Page 113
Backpropagation pseudo code......Page 117
MLP in Python......Page 119
Visualization of decision boundaries......Page 134
The need for non-linear transfer functions......Page 138
Introduction......Page 141
Training a linear model with TensorFlow......Page 150
A MLP with TensorFlow......Page 152
Introduction......Page 160
Some history about the CNN model......Page 164
Convolutional and pooling layers in TensorFlow......Page 167
Parameters to be defined for a convolution layer......Page 173
How to compute the dimension of an output tensor......Page 178
A CNN in TensorFlow......Page 179
Fighting against vanishing gradients......Page 195
Momentum optimization......Page 197
Nesterov Momentum Optimization......Page 200
AdaGrad......Page 201
RMSProp......Page 202
Adam......Page 203
Comparison of optimizers......Page 204
Batch normalization......Page 207
Principle of attention......Page 210
Principle of lifelong learning......Page 211
Principle of embodiment......Page 212
Principle of prediction......Page 213
Cognitive architectures......Page 214
Ex. 1 - Preparing to work with Python......Page 217
Ex. 2 - Python syntax......Page 221
Ex. 3 - Understanding convolutions......Page 224
Ex. 4 - NumPy......Page 227
Ex. 5 - Perceptron......Page 232
Ex. 6 - Speech Recognition with a SOM......Page 234
Ex. 7 - MLP with feedfoward step......Page 235
Ex. 8 - Backpropagation......Page 236
Ex. 9 - A MLP with TensorFlow......Page 237
Ex. 10 - CNN Experiments......Page 238
Ex. 11 - CNN for word recognition using Keras......Page 239
Ex. 12 - Vanishing gradients problem......Page 240
Ex. 13 - Batch normalization in TensorFlow......Page 241
