مشخصات کتاب

Pro Deep Learning with TensorFlow. A Mathematical Approach to Advanced Artificial Intelligence in Python

ویرایش:  
نویسندگان: Santanu Pattanayak  
سری:  
ISBN (شابک) : 9781484230961 
ناشر: Apress 
سال نشر: 2017 
تعداد صفحات: 407 
زبان: english 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 مگابایت 

در صورت تبدیل فایل کتاب Pro Deep Learning with TensorFlow. A Mathematical Approach to Advanced Artificial Intelligence in 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 یادگیری عمیق حرفه ای با TensorFlow. یک رویکرد ریاضی به هوش مصنوعی پیشرفته در 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 یادگیری عمیق حرفه ای با TensorFlow. یک رویکرد ریاضی به هوش مصنوعی پیشرفته در پایتون

راه حل های یادگیری عمیق را با استفاده از TensorFlow به راحتی در تولید به کار ببرید. همچنین درک ریاضی و شهود مورد نیاز برای اختراع معماری ها و راه حل های جدید یادگیری عمیق را به تنهایی توسعه خواهید داد. Pro Deep Learning با TensorFlow تخصص عملی و عملی را ارائه می دهد تا بتوانید یادگیری عمیق را از ابتدا بیاموزید و راه حل های یادگیری عمیق معنی دار را به کار بگیرید. این کتاب به شما این امکان را می دهد که با استفاده از TensorFlow به سرعت سرعت خود را افزایش دهید و معماری های مختلف یادگیری عمیق را بهینه کنید. تمام جنبه های عملی یادگیری عمیق که در هر صنعتی مرتبط است در این کتاب تاکید شده است. شما می توانید از نمونه های اولیه نشان داده شده برای ساخت برنامه های یادگیری عمیق جدید استفاده کنید. کد ارائه شده در کتاب در قالب نوت بوک و اسکریپت های آی پایتون موجود است که به شما امکان می دهد نمونه هایی را امتحان کنید و آنها را به روش های جالب گسترش دهید. شما به پایه ریاضی و دانش علمی مجهز خواهید شد تا تحقیقات در این زمینه را دنبال کنید و به جامعه کمک کنید. آنچه یاد خواهید گرفت یادگیری عمیق پشته ای کامل با استفاده از TensorFlow را درک کنید و یک پایه ریاضی محکم برای یادگیری عمیق به دست آورید. راه حل های یادگیری عمیق پیچیده را در تولید با استفاده از TensorFlow به کار ببرید. تحقیق در مورد یادگیری عمیق و انجام آزمایش ها با استفاده از TensorFlow Who This Book برای دانشمندان داده و ماشین است. متخصصان یادگیری، توسعه دهندگان نرم افزار، دانشجویان فارغ التحصیل و علاقه مندان منبع باز

توضیحاتی درمورد کتاب به خارجی

Deploy deep learning solutions in production with ease using TensorFlow. You'll also develop the mathematical understanding and intuition required to invent new deep learning architectures and solutions on your own. Pro Deep Learning with TensorFlow provides practical, hands-on expertise so you can learn deep learning from scratch and deploy meaningful deep learning solutions. This book will allow you to get up to speed quickly using TensorFlow and to optimize different deep learning architectures. All of the practical aspects of deep learning that are relevant in any industry are emphasized in this book. You will be able to use the prototypes demonstrated to build new deep learning applications. The code presented in the book is available in the form of iPython notebooks and scripts which allow you to try out examples and extend them in interesting ways. You will be equipped with the mathematical foundation and scientific knowledge to pursue research in this field and give back to the community. What You'll Learn Understand full stack deep learning using TensorFlow and gain a solid mathematical foundation for deep learning Deploy complex deep learning solutions in production using TensorFlow Carry out research on deep learning and perform experiments using TensorFlow Who This Book Is For Data scientists and machine learning professionals, software developers, graduate students, and open source enthusiasts

فهرست مطالب

Chapter 1: Machine Learning Basics and Mathematical Foundation for Deep Learning Chapter Goal: Introduce Machine Learning basics and Mathematical Foundations that are associated with Deep Learning No of pages   70-90Sub-Topics1. Linear Algebra basics.2. Numerical Stability and Conditioning.3. Probability.4. Different types of cost functions and introduction to least squares and maximum likelihood methods.5. Convex and Non-convex function 6. Optimization Techniques such as Gradient Descent and Stochastic Gradient Descent as well as Constrained Optimization problems.7. Regularization and Early stopping8. Auto Differentiators and Symbolic Differentiators.Chapter 2:  Introduction to Deep Learning Concepts and TensorFlow Chapter Goal: Introduce Deep Learning concepts and its comparison with previous Neural Networks. Reasons for its success and computational efficiency and a start to TensorFlow Development.No of pages 60-70Sub -Topics 1. Previous Neural Networks and their shortcomings 2. Introduction to Deep Learning Framework and its advantages.3. Why TensorFlow for Deep Learning and its comparison with other Deep Learning Frameworks like Theano, Caffe, Torch, etc.4. Hands on in TensorFlow development environment and introduction to Dynamic Computation graphs. 5. Linear and Logistic regression in a TensorFlow environment6. Feed forward networks through TensorFlow.7. Leveraging GPUs for Computational efficiency.Chapter 3:  Image and Audio Processing in TensorFlow through Convolutional Neural Networks Chapter Goal: Learn to process image and audio data to solve classification, clustering, and recommendation problems using Convolutional Neural Network.   No of pages: 70-80Sub - Topics:  1. Convolution and Image processing through Convolution.2. Different Kinds of Image processing filters like Guassian Filter, Sobel Filter, Canny's edge detection filter.3. Different Layers of Convolutional Neural Network - Convolution layer, Pooling Layers, activation layers using RELUs, Dropout layers and fully connected layer. Intuition of features learned in Different layers. Concepts of strides, padding and kernels.4. Solving image classification, clustering and recommendation problems through Convolutional Neural network.5. Feature transfer in Convolutional Neural Network.6. Audio classification problems through Convolutional Neural networks.Chapter 4: Restricted Boltzmann Deep Learning Architectures through TensorFlow for Various ProblemsChapter Goal: Leverage Restricted Boltzmann Machines (RBMs) for solving Recommendation problems, weight initialization in Deep Learning Networks and for Layer by Layer training of Deep Neural Networks.No of pages:50-60Sub - Topics: 1. Introduction to Restricted Boltzmann Machines (RBMs) and its architecture.2. Using RBMs to build Recommendation engines.3. RBMs for smart weight initialization of Deep Learning Networks.4. Train complex deep learning networks layer by layer (one layer at a time) through RBMsChapter 5:  Deep Learning for Natural Language Processing through TensorFlow Chapter Goal: Leverage TensorFlow Deep learning capabilities for Natural Language processing No of pages:  50-601. Text processing basics such as Word2Vec Representation, Semantic and Syntactic Analysis. 2. Recurrent Neural network(RNNs) for language modelling through TensorFlow3. Backpropagation through time and problems of Vanishing and Exploding gradients.4. Gradient Clipping and LSTM (Long Short-Term Memory) to overcome Exploding and Vanishing gradient problems.5. Applications of RNN in generating sequences and words.Chapter 6:  Unsupervised Learning in TensorFlow through Autoencoders Chapter Goal: Leverage Autoencoders for doing Unsupervised Learning  No of pages:  30-401. Data Compression through Autoencoders.2. Feature Learning through Auto Encoders.3. A comparison of feature learning through PCA and Stacked Auto Encoders.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب All under Heaven: The Tianxia System for a Possible World Order

دانلود کتاب 40 Jahre SAMM: 1959-1999

دانلود کتاب Washington Matthews: studies of Navajo culture, 1880-1894

دانلود کتاب Environmental Effects on Engineered Materials (Corrosion Technology)

دانلود کتاب Striking a Balance: A Comprehensive Approach to Early Literacy: A Comprehensive Approach to Early Literacy