مشخصات کتاب

Practical Mathematics for AI and Deep Learning: A Concise yet In-Depth Guide on Fundamentals of Computer Vision, NLP, Complex Deep Neural Networks and Machine Learning

ویرایش:  
نویسندگان: Tamoghna Ghosh,  Shravan Kumar Belagal Math  
سری:  
ISBN (شابک) : 9789355511942 
ناشر: BPB Publications 
سال نشر: 2023 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 Mb 

در صورت تبدیل فایل کتاب Practical Mathematics for AI and Deep Learning: A Concise yet In-Depth Guide on Fundamentals of Computer Vision, NLP, Complex Deep Neural Networks and Machine Learning 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 ریاضیات عملی برای هوش مصنوعی و یادگیری عمیق: راهنمای مختصر و در عین حال عمیق درباره مبانی بینایی کامپیوتر، NLP، شبکه‌های عصبی عمیق پیچیده و یادگیری ماشین 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 ریاضیات عملی برای هوش مصنوعی و یادگیری عمیق: راهنمای مختصر و در عین حال عمیق درباره مبانی بینایی کامپیوتر، NLP، شبکه‌های عصبی عمیق پیچیده و یادگیری ماشین

کتاب کدهای ریاضی برای حرکت از طریق چشم انداز هوش مصنوعی که به سرعت در حال تغییر است ویژگی های کلیدی ● دسترسی به روش‌شناسی هوش مصنوعی و ریاضیات یادگیری عمیق با مثال‌های ساده و قابل درک. ● مدلسازی MDP، معادله بلمن، مدل‌های رگرسیون خودکار، BERT و ترانسفورماتورها را در بر می‌گیرد. ● نمودارهای دقیق و خط به خط الگوریتم ها و محاسبات ریاضی آنها. شرح برای ساختن سیستمی که ممکن است از آن به عنوان «هوش مصنوعی» یاد شود، توسعه ظرفیت طراحی الگوریتم‌هایی که قادر به انجام تصمیم‌گیری خودکار مبتنی بر داده در شرایط عدم قطعیت هستند، مهم است. اکنون، برای دستیابی به این هدف، باید درک عمیقی از اجزای پیچیده‌تر جبر خطی، حساب برداری، احتمال و آمار داشته باشیم. این کتاب شما را از طریق هر الگوریتم ریاضی و همچنین معماری، عملکرد و طراحی آن راهنمایی می کند تا بتوانید نحوه عملکرد هر سیستم هوش مصنوعی را درک کنید. این کتاب اصطلاحات رایج مورد استفاده در هوش مصنوعی مانند مدل ها، داده ها، پارامترهای مدل ها و متغیرهای وابسته و مستقل را به شما آموزش می دهد. رگرسیون خطی بیزی، مدل مخلوط گاوسی، نزول گرادیان تصادفی، و الگوریتم‌های پس انتشار با اجرای از ابتدا مورد بررسی قرار می‌گیرند. اکثریت قریب به اتفاق ریاضیات پیچیده مورد نیاز برای محاسبات پیچیده هوش مصنوعی مانند مدل‌های خود رگرسیون، چرخه‌های GAN و بهینه‌سازی CNN توضیح و مقایسه می‌شوند. در حین خواندن این کتاب، دانشی فراتر از ریاضیات به دست خواهید آورد. به طور خاص، شما با روش های آموزشی متعدد هوش مصنوعی، وظایف مختلف NLP و روند کاهش ابعاد داده ها آشنا خواهید شد.

توضیحاتی درمورد کتاب به خارجی

Mathematical Codebook to Navigate Through the Fast-changing AI Landscape Key Features ● Access to industry-recognized AI methodology and deep learning mathematics with simple-to-understand examples. ● Encompasses MDP Modeling, the Bellman Equation, Auto-regressive Models, BERT, and Transformers. ● Detailed, line-by-line diagrams of algorithms, and the mathematical computations they perform. Description To construct a system that may be referred to as having ‘Artificial Intelligence,’ it is important to develop the capacity to design algorithms capable of performing data-based automated decision-making in conditions of uncertainty. Now, to accomplish this goal, one needs to have an in-depth understanding of the more sophisticated components of linear algebra, vector calculus, probability, and statistics. This book walks you through every mathematical algorithm, as well as its architecture, its operation, and its design so that you can understand how any artificial intelligence system operates. This book will teach you the common terminologies used in artificial intelligence such as models, data, parameters of models, and dependent and independent variables. The Bayesian linear regression, the Gaussian mixture model, the stochastic gradient descent, and the backpropagation algorithms are explored with implementation beginning from scratch. The vast majority of the sophisticated mathematics required for complicated AI computations such as autoregressive models, cycle GANs, and CNN optimization are explained and compared. You will acquire knowledge that extends beyond mathematics while reading this book. Specifically, you will become familiar with numerous AI training methods, various NLP tasks, and the process of reducing the dimensionality of data.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Advanced Neural Computers

دانلود کتاب Manco Inca [incompleto]

دانلود کتاب Animals in the International Law of Armed Conflict

دانلود کتاب Margaret Wise Brown: awakened by the moon

دانلود کتاب Popularizing Classical Economics: Henry Brougham and William Ellis