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: Michael Paluszek, Stephanie Thomas سری: ISBN (شابک) : 1484251237, 9781484251232 ناشر: Apress سال نشر: 2020 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 14 مگابایت
در صورت تبدیل فایل کتاب Practical MATLAB Deep Learning: A Project-Based Approach 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 عملی یادگیری عمیق MATLAB: رویکردی مبتنی بر پروژه 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.
از قدرت MATLAB برای چالش های یادگیری عمیق استفاده کنید. این
کتاب مقدمه ای بر یادگیری عمیق و استفاده از جعبه ابزارهای
یادگیری عمیق متلب است. خواهید دید که چگونه این جعبه ابزار
مجموعه کاملی از توابع مورد نیاز برای اجرای تمام جنبه های
یادگیری عمیق را ارائه می دهند.
در طول مسیر، مدل سازی سیستم های پیچیده، از جمله بازار سهام،
زبان طبیعی، و تعیین مدار فقط زاویه ای را یاد خواهید گرفت. شما
دینامیک و کنترل را پوشش خواهید داد و الگوریتم ها و رویکردهای
یادگیری عمیق را با استفاده از MATLAB ادغام خواهید کرد. همچنین
با استفاده از تصاویر، یادگیری عمیق را برای ناوبری هواپیما اعمال
خواهید کرد.
در نهایت، شما با استفاده از یک واحد اندازه گیری اینرسی برای
آزمایش قابلیت های سخت افزاری MATLAB، دسته بندی پیروئت های باله
را انجام خواهید داد.
آنچه خواهید آموخت
یادگیری عمیق را با استفاده از متلب کاوش کنید و آن را با
الگوریتمها مقایسه کنید
یک تابع یادگیری عمیق در متلب بنویسید و آن را با مثالها آموزش
دهید
از جعبهابزارهای متلب مرتبط با یادگیری عمیق استفاده کنید
پیادهسازی پیشبینی اختلال توکامک
< b>این کتاب برای چه کسی است
مهندسان، دانشمندان داده و دانشآموزانی که میخواهند کتابی غنی
از نمونههای یادگیری عمیق با استفاده از MATLAB داشته
باشند.
Harness the power of MATLAB for deep-learning challenges. This
book provides an introduction to deep learning and using
MATLAB's deep-learning toolboxes. You'll see how these
toolboxes provide the complete set of functions needed to
implement all aspects of deep learning.
Along the way, you'll learn to model complex systems, including
the stock market, natural language, and angles-only orbit
determination. You'll cover dynamics and control, and integrate
deep-learning algorithms and approaches using MATLAB. You'll
also apply deep learning to aircraft navigation using
images.
Finally, you'll carry out classification of ballet pirouettes
using an inertial measurement unit to experiment with MATLAB's
hardware capabilities.
What You Will Learn
Explore deep learning using MATLAB and compare it to
algorithms
Write a deep learning function in MATLAB and train it with
examples
Use MATLAB toolboxes related to deep learning
Implement tokamak disruption prediction
Who This Book Is For
Engineers, data scientists, and students wanting a book rich in
examples on deep learning using MATLAB.
Contents About the Authors About the Technical Reviewer Acknowledgements 1 What Is Deep Learning? 1.1 Deep Learning 1.2 History of Deep Learning 1.3 Neural Nets 1.3.1 Daylight Detector Problem Solution How It Works 1.3.2 XOR Neural Net Problem Solution How It Works 1.4 Deep Learning and Data 1.5 Types of Deep Learning 1.5.1 Multilayer Neural Network 1.5.2 Convolutional Neural Networks (CNN) 1.5.3 Recurrent Neural Network (RNN) 1.5.4 Long Short-Term Memory Networks (LSTMs) 1.5.5 Recursive Neural Network 1.5.6 Temporal Convolutional Machines (TCMs) 1.5.7 Stacked Autoencoders 1.5.8 Extreme Learning Machine (ELM) 1.5.9 Recursive Deep Learning 1.5.10 Generative Deep Learning 1.6 Applications of Deep Learning 1.7 Organization of the Book 2 MATLAB Machine Learning Toolboxes 2.1 Commercial MATLAB Software 2.1.1 MathWorks Products Deep Learning Toolbox Instrument Control Toolbox Statistics and Machine Learning Toolbox Computer Vision System Toolbox Image Acquisition Toolbox Parallel Computing Toolbox Text Analytics Toolbox 2.2 MATLAB Open Source 2.2.1 Deep Learn Toolbox 2.2.2 Deep Neural Network 2.2.3 MatConvNet 2.2.4 Pattern Recognition and Machine Learning Toolbox (PRMLT) 2.3 XOR Example 2.4 Training 2.5 Zermelo\'s Problem 3 Finding Circles with Deep Learning 3.1 Introduction 3.2 Structure 3.2.1 imageInputLayer 3.2.2 convolution2dLayer 3.2.3 batchNormalizationLayer 3.2.4 reluLayer 3.2.5 maxPooling2dLayer 3.2.6 fullyConnectedLayer 3.2.7 softmaxLayer 3.2.8 classificationLayer 3.2.9 Structuring the Layers 3.3 Generating Data: Ellipses and Circles 3.3.1 Problem 3.3.2 Solution 3.3.3 How It Works 3.4 Training and Testing 3.4.1 Problem 3.4.2 Solution 3.4.3 How It Works 4 Classifying Movies 4.1 Introduction 4.2 Generating a Movie Database 4.2.1 Problem 4.2.2 Solution 4.2.3 How It Works 4.3 Generating a Movie Watcher Database 4.3.1 Problem 4.3.2 Solution 4.3.3 How It Works 4.4 Training and Testing 4.4.1 Problem 4.4.2 Solution 4.4.3 How It Works 5 Algorithmic Deep Learning 5.1 Building a Detection Filter 5.1.1 Problem 5.1.2 Solution 5.1.3 How It Works 5.2 Simulating Fault Detection 5.2.1 Problem 5.2.2 Solution 5.2.3 How It Works 5.3 Testing and Training 5.3.1 Problem 5.3.2 Solution 5.3.3 How It Works 6 Tokamak Disruption Detection 6.1 Introduction 6.2 Numerical Model 6.2.1 Dynamics 6.2.2 Sensors 6.2.3 Disturbances 6.2.4 Controller 6.3 Dynamical Model 6.3.1 Problem 6.3.2 Solution 6.3.3 How It Works 6.4 Simulate the Plasma 6.4.1 Problem 6.4.2 Solution 6.4.3 How It Works 6.5 Control the Plasma 6.5.1 Problem 6.5.2 Solution 6.5.3 How It Works 6.6 Training and Testing 6.6.1 Problem 6.6.2 Solution 6.6.3 How It Works 7 Classifying a Pirouette 7.1 Introduction 7.1.1 Inertial Measurement Unit 7.1.2 Physics 7.2 Data Acquisition 7.2.1 Problem 7.2.2 Solution 7.2.3 How It Works 7.3 Orientation 7.3.1 Problem 7.3.2 Solution 7.3.3 How It Works 7.4 Dancer Simulation 7.4.1 Problem 7.4.2 Solution 7.4.3 How It Works 7.5 Real-Time Plotting 7.5.1 Problem 7.5.2 Solution 7.5.3 How It Works 7.6 Quaternion Display 7.6.1 Problem 7.6.2 Solution 7.6.3 How It Works 7.7 Data Acquisition GUI 7.7.1 Problem 7.7.2 Solution 7.7.3 How It Works 7.8 Making the IMU Belt 7.8.1 Problem 7.8.2 Solution 7.8.3 How It Works 7.9 Testing the System 7.9.1 Problem 7.9.2 Solution 7.9.3 How It Works 7.10 Classifying the Pirouette 7.10.1 Problem 7.10.2 Solution 7.10.3 How It Works 7.11 Hardware Sources 8 Completing Sentences 8.1 Introduction 8.1.1 Sentence Completion 8.1.2 Grammar 8.1.3 Sentence Completion by Pattern Recognition 8.1.4 Sentence Generation 8.2 Generating a Database of Sentences 8.2.1 Problem 8.2.2 Solution 8.2.3 How It Works 8.3 Creating a Numeric Dictionary 8.3.1 Problem 8.3.2 Solution 8.3.3 How It Works 8.4 Map Sentences to Numbers 8.4.1 Problem 8.4.2 Solution 8.4.3 How It Works 8.5 Converting the Sentences 8.5.1 Problem 8.5.2 Solution 8.5.3 How It Works 8.6 Training and Testing 8.6.1 Problem 8.6.2 Solution 8.6.3 How It Works 9 Terrain-Based Navigation 9.1 Introduction 9.2 Modeling Our Aircraft 9.2.1 Problem 9.2.2 Solution 9.2.3 How It Works 9.3 Generating a Terrain Model 9.3.1 Problem 9.3.2 Solution 9.3.3 How It Works 9.4 Close Up Terrain 9.4.1 Problem 9.4.2 Solution 9.4.3 How It Works 9.5 Building the Camera Model 9.5.1 Problem 9.5.2 Solution 9.5.3 How It Works 9.6 Plot Trajectory over an Image 9.6.1 Problem 9.6.2 Solution 9.6.3 How It Works 9.7 Creating the Test Images 9.7.1 Problem 9.7.2 Solution 9.7.3 How It Works 9.8 Training and Testing 9.8.1 Problem 9.8.2 Solution 9.8.3 How It Works 9.9 Simulation 9.9.1 Problem 9.9.2 Solution 9.9.3 How It Works 10 Stock Prediction 10.1 Introduction 10.2 Generating a Stock Market 10.2.1 Problem 10.2.2 Solution 10.2.3 How It Works 10.3 Create a Stock Market 10.3.1 Problem 10.3.2 Solution 10.3.3 How It Works 10.4 Training and Testing 10.4.1 Problem 10.4.2 Solution 10.4.3 How It Works 11 Image Classification 11.1 Introduction 11.2 Using a Pretrained Network 11.2.1 Problem 11.2.2 Solution 11.2.3 How It Works 12 Orbit Determination 12.1 Introduction 12.2 Generating the Orbits 12.2.1 Problem 12.2.2 Solution 12.2.3 How It Works 12.3 Training and Testing 12.3.1 Problem 12.3.2 Solution 12.3.3 How It Works 12.4 Implementing an LSTM 12.4.1 Problem 12.4.2 Solution 12.4.3 How It Works 12.5 Conic Sections Bibliography Index