دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Modern Deep Learning for Tabular Data: Novel Approaches to Common Modeling Problems
دانلود کتاب یادگیری عمیق مدرن برای داده های جدولی: رویکردهای جدید به مسائل رایج مدل سازی
مشخصات کتاب
Modern Deep Learning for Tabular Data: Novel Approaches to Common Modeling Problems
ویرایش:
نویسندگان: Andre Ye. Zian Wang
سری:
ISBN (شابک) : 148428691X, 9781484286913
ناشر: Apress
سال نشر: 2023
تعداد صفحات: 854
[855]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 52 Mb
قیمت کتاب (تومان) : 33,000
در صورت تبدیل فایل کتاب Modern Deep Learning for Tabular Data: Novel Approaches to Common Modeling Problems 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 عمیق مدرن برای داده های جدولی: رویکردهای جدید به مسائل رایج مدل سازی 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 عمیق مدرن برای داده های جدولی: رویکردهای جدید به مسائل رایج مدل سازی
آنچه خواهید آموخت
یادگیری عمیق یکی از قدرتمندترین ابزارها در چشم انداز هوش مصنوعی مدرن است. در حالی که این کتاب عمدتاً در مجموعه داده‌های تصویر، متن و سیگنال بسیار تخصصی به کار گرفته شده است، این کتاب رویکردهای یادگیری عمیق جدیدی را برای یک دامنه به ظاهر بعید - داده‌های جدولی - ترکیب و ارائه می‌کند. چه برای امور مالی، کسب و کار، امنیت، پزشکی، یا حوزه های بی شمار دیگری، یادگیری عمیق می تواند به استخراج و مدل سازی الگوهای پیچیده در داده های جدولی کمک کند - شکلی فوق العاده در همه جا از داده های ساختاریافته.
بخش اول کتاب یک مرور کلی دقیق از اصول یادگیری ماشین، الگوریتم‌ها و مهارت‌های پیاده‌سازی مربوط به مدل‌سازی جامع و دستکاری داده‌های جدولی ارائه می‌دهد. بخش دوم پنج طرح مدل یادگیری عمیق غالب - شبکه‌های عصبی مصنوعی، شبکه‌های عصبی کانولوشنال، شبکه‌های عصبی تکراری، توجه و ترانسفورماتورها، و شبکه‌های ریشه‌دار درختی را از طریق استفاده پیش‌فرض و کاربرد آنها برای داده‌های جدولی مورد مطالعه قرار می‌دهد. بخش سوم قدرت روش‌های پوشش‌داده شده قبلی را با بررسی استراتژی‌ها و تکنیک‌ها برای تقویت سیستم‌های یادگیری عمیق ترکیب می‌کند: رمزگذارهای خودکار، تولید داده‌های عمیق، بهینه‌سازی متا، آرایش چند مدل، و قابلیت تفسیر شبکه عصبی. هر فصل با تجسم گسترده، کد و پوشش تحقیقاتی مرتبط همراه است.
آموزش عمیق مدرن برای داده های جدولی یکی از اولین ها در نوع خود است - یک کاوش گسترده. نظریه یادگیری عمیق و کاربردها برای داده های جدولی، ادغام و مستندسازی روش ها و تکنیک های جدید در این زمینه. این کتاب یک ابزار مفهومی و نظری قوی برای نزدیک شدن به مسائل چالش برانگیز داده های جدولی ارائه می دهد.آنچه خواهید آموخت
- مفاهیم و پیشرفت‌های مهم در یادگیری ماشین مدرن و یادگیری عمیق، با تاکید زیاد بر برنامه‌های داده‌های جدولی.
- پیوندهای امیدوارکننده بین را درک کنید. یادگیری عمیق و داده های جدولی، و زمانی که یک رویکرد یادگیری عمیق مناسب است یا نیست. زمینه های داده های جهان.
- کاوش و درگیر شدن با پیشرفت های نظری مدرن و مبتنی بر تحقیق در مدل سازی عمیق جدولی</ li>
- از روش های پیش پردازش منحصر به فرد و موفق برای آماده سازی داده های جدولی برای مدل سازی موفق استفاده کنید.
توضیحاتی درمورد کتاب به خارجی
Deep learning is one of the most powerful tools in the modern artificial intelligence landscape. While having been predominantly applied to highly specialized image, text, and signal datasets, this book synthesizes and presents novel deep learning approaches to a seemingly unlikely domain – tabular data. Whether for finance, business, security, medicine, or countless other domain, deep learning can help mine and model complex patterns in tabular data – an incredibly ubiquitous form of structured data.
Part I of the book offers a rigorous overview of machine learning principles, algorithms, and implementation skills relevant to holistically modeling and manipulating tabular data. Part II studies five dominant deep learning model designs – Artificial Neural Networks, Convolutional Neural Networks, Recurrent Neural Networks, Attention and Transformers, and Tree-Rooted Networks – through both their ‘default’ usage and their application to tabular data. Part III compounds the power of the previously covered methods by surveying strategies and techniques to supercharge deep learning systems: autoencoders, deep data generation, meta-optimization, multi-model arrangement, and neural network interpretability. Each chapter comes with extensive visualization, code, and relevant research coverage.
Modern Deep Learning for Tabular Data is one of the first of its kind – a wide exploration of deep learning theory and applications to tabular data, integrating and documenting novel methods and techniques in the field. This book provides a strong conceptual and theoretical toolkit to approach challenging tabular data problems.What You Will Learn
- Important concepts and developments in modern machine learning and deep learning, with a strong emphasis on tabular data applications.
- Understand the promising links between deep learning and tabular data, and when a deep learning approach is or isn’t appropriate.
- Apply promising research and unique modeling approaches in real-world data contexts.
- Explore and engage with modern, research-backed theoretical advances on deep tabular modeling
- Utilize unique and successful preprocessing methods to prepare tabular data for successful modelling.
