دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Practical Convolutional Neural Networks: Implement advanced deep learning models using Python
دانلود کتاب شبکه های عصبی عملی تحریک: اجرای مدل های یادگیری عمیق پیشرفته با استفاده از پایتون
مشخصات کتاب
Practical Convolutional Neural Networks: Implement advanced deep learning models using Python
ویرایش: نویسندگان: Mohit Sewak, Md. Rezaul Karim, Pradeep Pujari سری: ISBN (شابک) : 1788392302, 9781788392303 ناشر: Packt Publishing - ebooks Account سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 22 مگابایت
قیمت کتاب (تومان) : 30,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب شبکه های عصبی عملی تحریک: اجرای مدل های یادگیری عمیق پیشرفته با استفاده از پایتون: هوش و معناشناسی، هوش مصنوعی و یادگیری ماشین، علوم کامپیوتر، کامپیوتر و فناوری، گرافیک و طراحی، Adobe، CAD، مدل‌سازی کامپیوتر، انتشارات دسکتاپ، اسناد الکترونیکی، رندر و ردیابی پرتو، تجربه و قابلیت استفاده کاربر، کامپیوتر و فناوری، پایتون، برنامه‌نویسی زبان، کامپیوتر و فناوری
در صورت تبدیل فایل کتاب Practical Convolutional Neural Networks: Implement advanced deep learning models using Python 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 شبکه های عصبی عملی تحریک: اجرای مدل های یادگیری عمیق پیشرفته با استفاده از پایتون 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 شبکه های عصبی عملی تحریک: اجرای مدل های یادگیری عمیق پیشرفته با استفاده از پایتون
راهنمای یک مرحله ای برای اجرای معماری های برنده جوایز و پیشرفته CNN
ویژگی های کلیدی
- راهنمای سریع با استفاده موارد و نمونه های دنیای واقعی برای آشنایی کامل با تکنیک های CNN
- اجرای مدل های CNN در طبقه بندی تصاویر، یادگیری انتقال، تشخیص اشیا، تقسیم بندی نمونه ها، GAN ها و موارد دیگر
- اجرای استفاده قدرتمند- مواردی مانند شرح تصویر، یادگیری تقویتی برای توجه شدید، و مدل‌های توجه مکرر
توضیحات کتاب
شبکه عصبی کانولوشنال (CNN) در حال متحول کردن چندین حوزه کاربردی مانند تشخیص بصری است. سیستم‌ها، ماشین‌های خودران، اکتشافات پزشکی، تجارت الکترونیک نوآورانه و موارد دیگر. شما یاد خواهید گرفت که راه‌حل‌های نوآورانه‌ای پیرامون تجزیه و تحلیل تصویر و ویدئو ایجاد کنید تا مشکلات پیچیده مربوط به یادگیری ماشین و بینایی رایانه را حل کنید و مدل‌های CNN واقعی را پیاده‌سازی کنید.
این کتاب با مروری بر شبکه‌های عصبی عمیق با مثال طبقه‌بندی تصویر شروع می‌شود و شما را در ساخت اولین CNN برای آشکارساز چهره انسان راهنمایی می‌کند. ما یاد خواهیم گرفت که از مفاهیمی مانند انتقال یادگیری با CNN و رمزگذارهای خودکار برای ساخت مدل‌های بسیار قدرتمند استفاده کنیم، حتی زمانی که داده‌های آموزشی نظارت شده زیادی از تصاویر برچسب‌گذاری شده در دسترس نباشد.
بعداً بر اساس یادگیری به‌دست‌آمده است. برای ساختن الگوریتم‌های پیشرفته مرتبط با بینایی برای تشخیص شی، تقسیم‌بندی نمونه، شبکه‌های متخاصم مولد، شرح تصاویر، مکانیسم‌های توجه برای بینایی، و مدل‌های تکرارشونده برای بینایی.
تا پایان این کتاب، باید با کار بر روی مجموعه داده‌های پیچیده تصویری و ویدئویی، آماده پیاده‌سازی مدل‌های پیشرفته، مؤثر و کارآمد CNN در پروژه حرفه‌ای یا ابتکارات شخصی خود باشید.
آنچه شما یاد خواهید گرفت
- از بلوک های ساختمانی اولیه CNN تا مفاهیم پیشرفته درک زمینه های عملی که می توان در آنها اعمال کرد
- یک مدل طبقه بندی کننده تصویر CNN بسازید تا بفهمید چگونه اجزای مختلف با آن تعامل دارند. یکدیگر را بیاموزید و سپس یاد بگیرید که چگونه آن را بهینه کنید
- الگوریتم های مختلفی را بیاموزید که می تواند در تشخیص اشیا و تقسیم بندی نمونه اعمال شود
- مفاهیم پیشرفته مانند مکانیسم های توجه برای CNN را بیاموزید تا دقت پیش بینی را بهبود بخشد.
- درک یادگیری انتقال و پیاده سازی معماری های برنده جوایز CNN مانند AlexNet، VGG، GoogLeNet، ResNet و موارد دیگر
- درک عملکرد شبکه های متخاصم مولد و نحوه ایجاد تصاویر جدید و دیده نشده توسط آن
این کتاب برای چه کسی است
این کتاب برای علم داده است متخصصان، متخصصان یادگیری ماشین و یادگیری عمیق، علاقه‌مندان به هوش مصنوعی و شناختی که می‌خواهند یک قدم جلوتر در ساخت شبکه‌های عصبی کانولوشنال حرکت کنند. با مجموعه داده‌های شدید و معماری‌های مختلف CNN برای ساخت مدل‌های ConvNet کارآمد و هوشمند، تجربه عملی داشته باشید. دانش اولیه مفاهیم یادگیری عمیق و زبان برنامه نویسی پایتون مورد انتظار است.
فهرست مطالب
- شبکه های عصبی عمیق - بررسی اجمالی
- مقدمه ای بر شبکه های عصبی کانولوشنال
- اولین CNN و بهینه سازی عملکرد خود را بسازید
- معماری های مدل محبوب CNN
- آموزش انتقال
- رمزگذارهای خودکار برای CNN
- تشخیص اشیا با CNN
- شبکه متخاصم مولد
- CNN مبتنی بر توجه بصری
توضیحاتی درمورد کتاب به خارجی
One stop guide to implementing award-winning, and cutting-edge CNN architectures
Key Features
- Fast-paced guide with use cases and real-world examples to get well versed with CNN techniques
- Implement CNN models on image classification, transfer learning, Object Detection, Instance Segmentation, GANs and more
- Implement powerful use-cases like image captioning, reinforcement learning for hard attention, and recurrent attention models
Book Description
Convolutional Neural Network (CNN) is revolutionizing several application domains such as visual recognition systems, self-driving cars, medical discoveries, innovative eCommerce and more.You will learn to create innovative solutions around image and video analytics to solve complex machine learning and computer vision related problems and implement real-life CNN models.
This book starts with an overview of deep neural networkswith the example of image classification and walks you through building your first CNN for human face detector. We will learn to use concepts like transfer learning with CNN, and Auto-Encoders to build very powerful models, even when not much of supervised training data of labeled images is available.
Later we build upon the learning achieved to build advanced vision related algorithms for object detection, instance segmentation, generative adversarial networks, image captioning, attention mechanisms for vision, and recurrent models for vision.
By the end of this book, you should be ready to implement advanced, effective and efficient CNN models at your professional project or personal initiatives by working on complex image and video datasets.
What you will learn
- From CNN basic building blocks to advanced concepts understand practical areas they can be applied to
- Build an image classifier CNN model to understand how different components interact with each other, and then learn how to optimize it
- Learn different algorithms that can be applied to Object Detection, and Instance Segmentation
- Learn advanced concepts like attention mechanisms for CNN to improve prediction accuracy
- Understand transfer learning and implement award-winning CNN architectures like AlexNet, VGG, GoogLeNet, ResNet and more
- Understand the working of generative adversarial networks and how it can create new, unseen images
Who This Book Is For
This book is for data scientists, machine learning and deep learning practitioners, Cognitive and Artificial Intelligence enthusiasts who want to move one step further in building Convolutional Neural Networks. Get hands-on experience with extreme datasets and different CNN architectures to build efficient and smart ConvNet models. Basic knowledge of deep learning concepts and Python programming language is expected.
Table of Contents
- Deep Neural Networks - Overview
- Introduction to Convolutional Neural Networks
- Build Your First CNN and Performance Optimization
- Popular CNN Model's Architectures
- Transfer Learning
- Autoencoders for CNN
- Object Detection with CNN
- Generative Adversarial Network
- Visual Attention Based CNN
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Eddington's search for a fundamental theory
