ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Practical MATLAB Deep Learning: A Project-Based Approach

دانلود کتاب عملی یادگیری عمیق MATLAB: رویکردی مبتنی بر پروژه

Practical MATLAB Deep Learning: A Project-Based Approach

مشخصات کتاب

Practical MATLAB Deep Learning: A Project-Based Approach

ویرایش:  
نویسندگان: ,   
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 

قیمت کتاب (تومان) : 40,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 17


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.


توضیحاتی در مورد کتاب عملی یادگیری عمیق MATLAB: رویکردی مبتنی بر پروژه

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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران