مشخصات کتاب

Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, NLP, and Transformers using TensorFlow

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان: Magnus Ekman  
سری:  
ISBN (شابک) : 9780137470198 
ناشر: Addison-Wesley Professional 
سال نشر: 2021 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 19 مگابایت 

در صورت تبدیل فایل کتاب Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, NLP, and Transformers using TensorFlow 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 یادگیری یادگیری عمیق: تئوری و عمل شبکه های عصبی، بینایی کامپیوتر، NLP و ترانسفورماتورها با استفاده از TensorFlow 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 یادگیری یادگیری عمیق: تئوری و عمل شبکه های عصبی، بینایی کامپیوتر، NLP و ترانسفورماتورها با استفاده از TensorFlow

راهنمای تمام رنگی NVIDIA برای یادگیری عمیق با TensorFlow: همه آنچه برای شروع و گرفتن نتیجه نیاز دارید یادگیری عمیق جزء کلیدی پیشرفت های هیجان انگیز امروزی در یادگیری ماشین و هوش مصنوعی است. یادگیری عمیق یک راهنمای کامل برای یادگیری عمیق با TensorFlow، کتابخانه شماره 1 پایتون برای ساخت این برنامه های کاربردی است. این کتاب که مفاهیم اصلی و تکنیک‌های برنامه‌نویسی عملی مورد نیاز برای موفقیت را روشن می‌کند، برای توسعه‌دهندگان، دانشمندان داده، تحلیل‌گران و سایرین ایده‌آل است - از جمله کسانی که قبلاً تجربه یادگیری ماشینی یا آماری ندارند. پس از معرفی بلوک‌های اساسی شبکه‌های عصبی عمیق، مگنوس اکمن نشان می‌دهد که چگونه می‌توان از شبکه‌های فید فوروارد کاملاً متصل و شبکه‌های کانولوشن برای حل مشکلات واقعی، مانند پیش‌بینی قیمت مسکن یا طبقه‌بندی تصاویر، استفاده کرد. شما یاد خواهید گرفت که چگونه کلمات را از یک زبان طبیعی بازنمایی کنید، معناشناسی را به تصویر بکشید، و یک مترجم زبان طبیعی را توسعه دهید. پس از آن اکمن شما را در ساختن سیستمی راهنمایی می کند که تصاویر را وارد کرده و آنها را به زبان طبیعی توصیف می کند. در سرتاسر، اکمن با استفاده از TensorFlow و Keras API نمونه‌های کد مختصر و مشروح ارائه می‌کند. (برای مقایسه و مهاجرت آسان بین چارچوب ها، نمونه های تکمیلی PyTorch به صورت آنلاین ارائه شده است.) او با پیش نمایش روندهای یادگیری عمیق، کاوش در مسائل مهم اخلاقی، و ارائه منابع برای یادگیری بیشتر به پایان می رسد. [فهرست] [*]مفاهیم اصلی اصلی: پرسپترون ها، یادگیری مبتنی بر گرادیان، نورون های سیگموئید، و انتشار پس [*]ببینید چگونه چارچوب‌ها توسعه شبکه‌های عصبی قوی‌تر و مفیدتر را آسان‌تر می‌کنند [*] کشف کنید که چگونه شبکه های عصبی کانولوشن (CNN) طبقه بندی و تجزیه و تحلیل را متحول می کند [*]از شبکه‌های عصبی مکرر (RNN) برای بهینه‌سازی متن، گفتار و سایر توالی‌های با طول متغیر استفاده کنید. [*]بر تکنیک های حافظه کوتاه مدت (LSTM) برای تولید زبان طبیعی و سایر کاربردها مسلط شوید [*]به سمت پردازش زبان طبیعی (NLP)، از جمله درک و ترجمه حرکت کنید [/list]

توضیحاتی درمورد کتاب به خارجی

NVIDIA's Full-Color Guide to Deep Learning with TensorFlow: All You Need to Get Started and Get Results Deep learning is a key component of today's exciting advances in machine learning and artificial intelligence. Learning Deep Learning is a complete guide to deep learning with TensorFlow, the #1 Python library for building these breakthrough applications. Illuminating both the core concepts and the hands-on programming techniques needed to succeed, this book is ideal for developers, data scientists, analysts, and others--including those with no prior machine learning or statistics experience. After introducing the essential building blocks of deep neural networks, Magnus Ekman shows how to use fully connected feedforward networks and convolutional networks to solve real problems, such as predicting housing prices or classifying images. You'll learn how to represent words from a natural language, capture semantics, and develop a working natural language translator. With that foundation in place, Ekman then guides you through building a system that inputs images and describes them in natural language. Throughout, Ekman provides concise, well-annotated code examples using TensorFlow and the Keras API. (For comparison and easy migration between frameworks, complementary PyTorch examples are provided online.) He concludes by previewing trends in deep learning, exploring important ethical issues, and providing resources for further learning. [list] [*]Master core concepts: perceptrons, gradient-based learning, sigmoid neurons, and back propagation [*]See how frameworks make it easier to develop more robust and useful neural networks [*]Discover how convolutional neural networks (CNNs) revolutionize classification and analysis [*]Use recurrent neural networks (RNNs) to optimize for text, speech, and other variable-length sequences [*]Master long short-term memory (LSTM) techniques for natural language generation and other applications [*]Move further into natural language-processing (NLP), including understanding and translation [/list]

نظرات کاربران

کتاب های مرتبط

دانلود کتاب Creating Brain-Like Intelligence: From Basic Principles to Complex Intelligent Systems

دانلود کتاب Understanding computers and cognition

دانلود کتاب Эволюционные нейросети на языке Python

دانلود کتاب Syntactic Pattern Recognition, Applications

دانلود کتاب An Introduction to the Planning Domain Definition Language

دانلود کتاب Learning OpenCV 4 Computer Vision with Python 3: Get to grips with tools, techniques, and algorithms for computer vision and machine learning

دانلود کتاب Syntactic Pattern Recognition: An Introduction (Applied Mathematics and Computation, vol 14)

دانلود کتاب Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data

دانلود کتاب Association Rule Hiding for Data Mining

دانلود کتاب Problem solving methods in artificial intelligence