Keras Deep Learning Cookbook: Over 80 Recipes for Implementing Deep Neural Networks in Python

از قدرت یادگیری عمیق و Keras برای حل مسائل پیچیده محاسباتی استفاده کنید

ویژگی های کلیدی

\r\n
• دستورالعمل‌هایی برای آموزش و تنظیم دقیق مدل‌های شبکه عصبی با استفاده از Keras
\r\n
• راهنمای بسیار کاربردی برای ساده کردن درک شما از شبکه های عصبی و اجرای آنها
\r\n
• اگر قصد دارید دانش یادگیری عمیق خود را به صورت عملی استفاده کنید، این کتاب در قفسه شما ضروری است
\r\n

شرح کتاب

کراس به سرعت به عنوان یک کتابخانه یادگیری عمیق محبوب ظاهر شد. این کتاب که به زبان پایتون نوشته شده است، به شما امکان می دهد شبکه های عصبی کانولوشنال و همچنین شبکه های عصبی تکراری را با سرعت و دقت آموزش دهید.

این کتاب به شما نشان می دهد که چگونه با مشکلات مختلف در آموزش مدل های یادگیری عمیق کارآمد با استفاده از کتابخانه محبوب Keras مقابله کنید. با نصب و راه اندازی Keras، این کتاب نشان می دهد که چگونه می توانید یادگیری عمیق با Keras را در بالای Tensorflow، Apache MXNet و CNTK backend انجام دهید. از بارگذاری داده ها تا برازش و ارزیابی مدل خود برای عملکرد بهینه، شما یک فرآیند گام به گام را برای مقابله با هر مشکل ممکن در آموزش مدل های عمیق طی خواهید کرد. با کمک این راهنمای مفید، شبکه‌های عصبی کانولوشنال کارآمد، شبکه‌های عصبی مکرر، شبکه‌های متخاصم و موارد دیگر را پیاده‌سازی خواهید کرد. همچنین خواهید دید که چگونه این مدل ها را برای کارهای پردازش تصویر و زبان در دنیای واقعی آموزش دهید.

در پایان این کتاب، درک عملی و عملی از نحوه استفاده از قدرت خواهید داشت. پایتون و کراس برای انجام یادگیری عمیق موثر.

آنچه خواهید آموخت

\r\n
• Keras را در بالای Tensorflow، Apache MXNet و CNTK نصب و پیکربندی کنید
\r\n
• با استفاده از کتابخانه Keras یک پیشینه قوی در برنامه نویسی شبکه عصبی ایجاد کنید
\r\n
• درک جزئیات لایه های مختلف Keras مانند Core، Embedding و غیره
\r\n
• از Keras برای پیاده‌سازی شبکه‌های عصبی پیش‌خور ساده و CNN‌های پیچیده‌تر، RNN‌ها استفاده کنید
\r\n
• با مجموعه داده های مختلف، مدل های مورد استفاده برای طبقه بندی تصویر و متن کار کنید
\r\n
• با استفاده از Keras مدل‌های خلاصه‌سازی و یادگیری تقویتی متن را ایجاد کنید
\r\n

این کتاب برای چه کسی است

دانشمندان داده و کارشناسان یادگیری ماشینی که به دنبال یافتن راه حل های عملی برای مشکلات رایجی هستند که در حین آموزش مدل های یادگیری عمیق با آن مواجه می شوند، این کتاب را منبع مفیدی می دانند. برای این کتاب به درک اولیه پایتون و همچنین تجربه یادگیری ماشین و شبکه های عصبی نیاز است.

**

درباره نویسنده

< strong>Rajdeep Duaبیش از 18 سال تجربه در فضای ابری و بیگ دیتا دارد. او در تیم حمایت از ابزارهای داده بزرگ گوگل، BigQuery کار می کرد. او بر روی پلتفرم داده های بزرگ Greenplum در VMware در تیم توسعه دهنده اوانجلیست کار می کرد. او همچنین با تیمی در زمینه پورت Spark برای اجرا بر روی ابر عمومی و خصوصی VMware به عنوان یک مجموعه ویژگی همکاری نزدیک داشت. او Spark و Big Data را در برخی از معتبرترین مدارس فناوری در هند تدریس کرده است: IIIT Hyderabad، ISB، IIIT Delhi، و College of Engineering Pune.

در حال حاضر، او تیم ارتباط با توسعه دهندگان در Salesforce India را رهبری می کند. . او همچنین با تیم خط لوله داده در Salesforce کار می کند که از Hadoop و Spark برای افشای ابزارهای پردازش داده های بزرگ برای توسعه دهندگان استفاده می کند.

او آموزش های Big Data و Spark را منتشر کرده است. او همچنین BigQuery و Google App Engine را در کنفرانس W3C در حیدرآباد ارائه کرده است. او تیم های ارتباط با توسعه دهندگان را در گوگل، VMware و مایکروسافت رهبری می کرد و در صدها کنفرانس دیگر در فضای ابری سخنرانی کرده است. برخی دیگر از ارجاعات به کار او را می‌توان در Your Story و کتابخانه دیجیتال ACM مشاهده کرد.

مشارکت‌های او در جامعه منبع باز مربوط به Docker، Kubernetes، Android، OpenStack، و ریخته‌گری ابری است. می‌توانید در لینکدین با او ارتباط برقرار کنید.

\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n

Manpreet Singh Ghotra بیش از 15 سال تجربه در توسعه نرم افزار برای نرم افزارهای سازمانی و داده های بزرگ دارد. او در حال حاضر روی توسعه یک پلتفرم/api یادگیری ماشین با استفاده از کتابخانه‌ها و چارچوب‌های منبع باز مانند Keras، Apache Spark، Tensorflow در Salesforce کار می‌کند. او روی سیستم های مختلف یادگیری ماشینی مانند تجزیه و تحلیل احساسات، تشخیص هرزنامه و تشخیص ناهنجاری کار کرده است. او بخشی از گروه یادگیری ماشینی در یکی از بزرگترین خرده‌فروش‌های آنلاین در جهان بود که بر روی محاسبات زمان عبور با استفاده از Apache Mahout و سیستم توصیه R با استفاده از Apache Mahout کار می‌کرد. او با مدرک فوق لیسانس و فوق لیسانس در یادگیری ماشین، در جامعه یادگیری ماشین مشارکت داشته و برای آن کار کرده است.

Leverage the power of deep learning and Keras to solve complex computational problems

Key Features

• Recipes on training and fine-tuning your neural network models efficiently using Keras
• A highly practical guide to simplify your understanding of neural networks and their implementation
• This book is a must-have on your shelf if you are planning to put your deep learning knowledge to practical use

Book Description

Keras has quickly emerged as a popular deep learning library. Written in Python, it allows you to train convolutional as well as recurrent neural networks with speed and accuracy.

This book shows you how to tackle different problems in training efficient deep learning models using the popular Keras library. Starting with installing and setting up of Keras, the book demonstrates how you can perform deep learning with Keras on top of Tensorflow, Apache MXNet and CNTK backend’s. From loading the data to fitting and evaluating your model for optimal performance, you will go through a step by step process to tackle every possible problem in training deep models. You will implement efficient convolutional neural networks, recurrent neural networks, adversarial networks and more, with the help of this handy guide. You will also see how to train these models for real-world image and language processing tasks.

By the end of this book, you will have a practical, hands-on understanding of how you can leverage the power of Python and Keras to perform effective deep learning.

What you will learn

• Install and configure Keras on top of Tensorflow, Apache MXNet and CNTK
• Develop a strong background in neural network programming using the Keras library
• Understand the details of different Keras layers like Core, Embedding and so on
• Use Keras to implement simple feed-forward neural networks and the more complex CNNs, RNNs
• Work with various datasets, models used for image and text classification
• Develop text summarization and Reinforcement Learning models using Keras

Who This Book Is For

Data scientists and machine learning experts looking to find practical solutions to the common problems encountered while training deep learning models will find this book to be a useful resource. A basic understanding of Python, as well as some experience with machine learning and neural networks is required for this book.

**

About the Author

Rajdeep Dua has over 18 years of experience in the Cloud and Big Data space. He worked in the advocacy team for Google's big data tools, BigQuery. He worked on the Greenplum big data platform at VMware in the developer evangelist team. He also worked closely with a team on porting Spark to run on VMware's public and private cloud as a feature set. He has taught Spark and Big Data at some of the most prestigious tech schools in India: IIIT Hyderabad, ISB, IIIT Delhi, and College of Engineering Pune.

Currently, he leads the developer relations team at Salesforce India. He also works with the data pipeline team at Salesforce, which uses Hadoop and Spark to expose big data processing tools for developers.

He has published Big Data and Spark tutorials. He has also presented BigQuery and Google App Engine at the W3C conference in Hyderabad. He led the developer relations teams at Google, VMware, and Microsoft, and he has spoken at hundreds of other conferences on the cloud. Some of the other references to his work can be seen at Your Story and on ACM digital library.

His contributions to the open source community are related to Docker, Kubernetes, Android, OpenStack, and cloud foundry. You can connect with him on LinkedIn.

Manpreet Singh Ghotra has more than 15 years of experience in software development for both enterprise and big data software. He is currently working on developing a machine learning platform/api's using open source libraries and frameworks like Keras, Apache Spark, Tensorflow at Salesforce. He has worked on various machine learning systems like sentiment analysis, spam detection and anomaly detection. He was part of the machine learning group at one of the largest online retailers in the world, working on transit time calculations using Apache Mahout and the R Recommendation system using Apache Mahout. With a master's and postgraduate degree in machine learning, he has contributed to and worked for the machine learning community.