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: نویسندگان: Liang Wang, Jianxin Zhao, Richard Mortier سری: Undergraduate Topics in Computer Science ISBN (شابک) : 3030976440, 9783030976446 ناشر: Springer سال نشر: 2022 تعداد صفحات: 381 [372] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 13 Mb
در صورت تبدیل فایل کتاب OCaml Scientific Computing: Functional Programming in Data Science and Artificial Intelligence 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 محاسبات علمی OCaml: برنامه نویسی کاربردی در علم داده و هوش مصنوعی 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.
این کتاب در مورد سنتز هماهنگ برنامه نویسی تابعی و محاسبات عددی است. این نشان می دهد که چگونه بیان OCaml به توسعه سریع و ایمن برنامه های کاربردی علم داده اجازه می دهد. نویسندگان گام به گام برای استفاده از مواردی که از بسیاری از حوزههای علوم داده، یادگیری ماشین و هوش مصنوعی استخراج شدهاند، میسازند و سپس به چگونگی استقرار در مقیاس، با استفاده از چارچوبهای موازی، توزیعشده و تسریعشده برای به دست آوردن تمام مزایای ابر میپردازند. محیطهای محاسباتی.
برای این منظور، کتاب به سه بخش تقسیم شده است که هر بخش بر حوزهای متفاوت تمرکز دارد. بخش اول با معرفی نحوه انجام تکنیک های عددی پایه در OCaml، از جمله مباحث ریاضی کلاسیک (داخل یابی و ربع)، آمار و جبر خطی آغاز می شود. از استفاده فقط از مقادیر اسکالر به آرایههای چند بعدی میرود و تانسور و Ndarray، انواع دادههای اصلی را در هر سیستم محاسباتی عددی معرفی میکند. این با دو مبحث محاسبات عددی کلاسیک دیگر، حل معادلات دیفرانسیل معمولی (ODEs) و پردازش سیگنال، و همچنین معرفی ماژول تجسمی که در سراسر این کتاب استفاده میکنیم، به پایان میرسد. بخش دوم به تکنیکهای بهینهسازی پیشرفتهای اختصاص دارد که هسته اصلی اکثر زمینههای رایج علم داده است. ما فقط بر روی برنامهها تمرکز نمیکنیم، بلکه بر روی بلوکهای ساختمانی اساسی نیز تمرکز میکنیم، از تمایز الگوریتمی شروع میکنیم، مهمترین بلوک ساختمانی که به نوبه خود شبکههای عصبی عمیق را فعال میکند. ما این را با فصل هایی در مورد بهینه سازی و رگرسیون دنبال می کنیم که در ساخت شبکه های عصبی عمیق نیز استفاده می شود. سپس شبکههای عصبی عمیق و همچنین مدلسازی موضوعی در پردازش زبان طبیعی (NLP)، دو حوزه پیشرفته و در حال حاضر بسیار فعال در صنعت و دانشگاه را معرفی میکنیم. بخش سوم مجموعه ای از مطالعات موردی را جمع آوری می کند که نشان می دهد چگونه می توانید یک برنامه عددی کامل را به سرعت از ابتدا با استفاده از Owl بسازید. موارد ارائه شده شامل بینایی کامپیوتر و سیستم های توصیه کننده است.
هدف این کتاب برای افرادی است که دانش اولیه برنامه نویسی عملکردی و تمایل به کشف جهان را دارند. از محاسبات علمی، چه برای کاوش عمومی در این زمینه، برای ساختن برنامههای کاربردی برای موضوعات خاص، یا برای بررسی عمیق نحوه ساخت سیستمهای عددی. ترتیب دقیقی را در خواندن فرض نمی کند - خوانندگان می توانند به سادگی به موضوعی که بیشتر مورد علاقه آنهاست بپرند.
This book is about the harmonious synthesis of functional programming and numerical computation. It shows how the expressiveness of OCaml allows for fast and safe development of data science applications. Step by step, the authors build up to use cases drawn from many areas of Data Science, Machine Learning, and AI, and then delve into how to deploy at scale, using parallel, distributed, and accelerated frameworks to gain all the advantages of cloud computing environments.
To this end, the book is divided into three parts, each focusing on a different area. Part I begins by introducing how basic numerical techniques are performed in OCaml, including classical mathematical topics (interpolation and quadrature), statistics, and linear algebra. It moves on from using only scalar values to multi-dimensional arrays, introducing the tensor and Ndarray, core data types in any numerical computing system. It concludes with two more classical numerical computing topics, the solution of Ordinary Differential Equations (ODEs) and Signal Processing, as well as introducing the visualization module we use throughout this book. Part II is dedicated to advanced optimization techniques that are core to most current popular data science fields. We do not focus only on applications but also on the basic building blocks, starting with Algorithmic Differentiation, the most crucial building block that in turn enables Deep Neural Networks. We follow this with chapters on Optimization and Regression, also used in building Deep Neural Networks. We then introduce Deep Neural Networks as well as topic modelling in Natural Language Processing (NLP), two advanced and currently very active fields in both industry and academia. Part III collects a range of case studies demonstrating how you can build a complete numerical application quickly from scratch using Owl. The cases presented include computer vision and recommender systems.
This book aims at anyone with a basic knowledge of functional programming and a desire to explore the world of scientific computing, whether to generally explore the field in the round, to build applications for particular topics, or to deep-dive into how numerical systems are constructed. It does not assume strict ordering in reading – readers can simply jump to the topic that interests them most.