دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Programming Machine Learning: From Coding to Deep Learning
دانلود کتاب یادگیری ماشین برنامه نویسی: از کدنویسی تا یادگیری عمیق
مشخصات کتاب
Programming Machine Learning: From Coding to Deep Learning
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Paolo Perrotta سری: ISBN (شابک) : 1680506609, 9781680506600 ناشر: Pragmatic Bookshelf سال نشر: 2020 تعداد صفحات: 326 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 52 مگابایت
قیمت کتاب (تومان) : 52,000
کلمات کلیدی مربوط به کتاب یادگیری ماشین برنامه نویسی: از کدنویسی تا یادگیری عمیق: یادگیری ماشینی، شبکه های عصبی، یادگیری عمیق، شبکه های عصبی کانولوشنال، طبقه بندی، کراس، نزول گرادیان، تنظیم فراپارامتر، رگرسیون خطی، رگرسیون لجستیک، پرسپترون، بیش برازش، تست، توابع فعال سازی، یادگیری دسته ای، انتشار پس زمینه
در صورت تبدیل فایل کتاب Programming Machine Learning: From Coding to Deep 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 یادگیری ماشین برنامه نویسی: از کدنویسی تا یادگیری عمیق 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 ماشین برنامه نویسی: از کدنویسی تا یادگیری عمیق
شما تصمیم گرفته اید که با یادگیری ماشینی مقابله کنید - زیرا به دنبال کار هستید، پروژه جدیدی را آغاز می کنید یا فقط فکر می کنید ماشین های خودران عالی هستند. اما از کجا شروع کنیم؟ مرعوب شدن آسان است، حتی به عنوان یک توسعه دهنده نرم افزار. خبر خوب این است که نباید آنقدر سخت باشد. با نوشتن کد یک خط در یک زمان، از برنامه های یادگیری ساده تا یک سیستم یادگیری عمیق واقعی، به یادگیری ماشین مسلط شوید. موضوعات سخت را با شکستن آنها حل کنید تا درک آنها آسانتر شود و با کثیف کردن دستان خود اعتماد به نفس خود را تقویت کنید. ابهامات یادگیری ماشین را از بین ببرید، از ابتدا شروع کنید و تا یادگیری عمیق ادامه دهید. یادگیری ماشینی با تکیه بر ریاضیات و الگوریتم هایی که اکثر برنامه نویسان در کار معمولی خود با آن مواجه نمی شوند، می تواند ترسناک باشد. یک رویکرد عملی داشته باشید، کد پایتون را خودتان بنویسید، بدون هیچ کتابخانه‌ای برای پنهان کردن آنچه واقعاً در جریان است. طرح خود را تکرار کنید و در حین حرکت لایه‌هایی از پیچیدگی را اضافه کنید. با یادگیری نظارت شده یک برنامه تشخیص تصویر از ابتدا بسازید. آینده را با رگرسیون خطی پیش بینی کنید. به شیب نزول شیرجه بزنید، یک الگوریتم اساسی که بیشتر یادگیری ماشین را هدایت می کند. ایجاد پرسپترون برای طبقه بندی داده ها. شبکه های عصبی برای مقابله با مجموعه داده های پیچیده تر و پیچیده تر بسازید. آن شبکه ها را با انتشار و دسته بندی آموزش دهید و اصلاح کنید. شبکه های عصبی را لایه بندی کنید، بیش از حد برازش را حذف کنید و پیچیدگی را اضافه کنید تا شبکه عصبی خود را به یک سیستم یادگیری عمیق واقعی تبدیل کنید. از ابتدا شروع کنید و راه خود را برای تسلط بر یادگیری ماشین کدنویسی کنید. آنچه شما نیاز دارید: مثال‌های این کتاب به زبان پایتون نوشته شده‌اند، اما اگر این زبان را نمی‌دانید نگران نباشید: همه پایتون‌های مورد نیاز خود را خیلی سریع انتخاب خواهید کرد. جدای از آن، شما فقط به کامپیوتر و مغز متبحر کد خود نیاز دارید.
توضیحاتی درمورد کتاب به خارجی
You've decided to tackle machine learning - because you're job hunting, embarking on a new project, or just think self-driving cars are cool. But where to start? It's easy to be intimidated, even as a software developer. The good news is that it doesn't have to be that hard. Master machine learning by writing code one line at a time, from simple learning programs all the way to a true deep learning system. Tackle the hard topics by breaking them down so they're easier to understand, and build your confidence by getting your hands dirty. Peel away the obscurities of machine learning, starting from scratch and going all the way to deep learning. Machine learning can be intimidating, with its reliance on math and algorithms that most programmers don't encounter in their regular work. Take a hands-on approach, writing the Python code yourself, without any libraries to obscure what's really going on. Iterate on your design, and add layers of complexity as you go. Build an image recognition application from scratch with supervised learning. Predict the future with linear regression. Dive into gradient descent, a fundamental algorithm that drives most of machine learning. Create perceptrons to classify data. Build neural networks to tackle more complex and sophisticated data sets. Train and refine those networks with backpropagation and batching. Layer the neural networks, eliminate overfitting, and add convolution to transform your neural network into a true deep learning system. Start from the beginning and code your way to machine learning mastery. What You Need: The examples in this book are written in Python, but don't worry if you don't know this language: you'll pick up all the Python you need very quickly. Apart from that, you'll only need your computer, and your code-adept brain.
فهرست مطالب
Cover Table of Contents Acknowledgments How the Heck Is That Possible? About This Book Before We Begin Part I—From Zero to Image Recognition 1. How Machine Learning Works Programming vs. Machine Learning Supervised Learning The Math Behind the Magic Setting Up Your System 2. Your First Learning Program Getting to Know the Problem Coding Linear Regression Adding a Bias What You Just Learned Hands On: Tweaking the Learning Rate 3. Walking the Gradient Our Algorithm Doesn’t Cut It Gradient Descent What You Just Learned Hands On: Basecamp Overshooting 4. Hyperspace! Adding More Dimensions Matrix Math Upgrading the Learner Bye Bye, Bias A Final Test Drive What You Just Learned Hands On: Field Statistician 5. A Discerning Machine Where Linear Regression Fails Invasion of the Sigmoids Classification in Action What You Just Learned Hands On: Weighty Decisions 6. Getting Real Data Come First Our Own MNIST Library The Real Thing What You Just Learned Hands On: Tricky Digits 7. The Final Challenge Going Multiclass Moment of Truth What You Just Learned Hands On: Minesweeper 8. The Perceptron Enter the Perceptron Assembling Perceptrons Where Perceptrons Fail A Tale of Perceptrons Part II—Neural Networks 9. Designing the Network Assembling a Neural Network from Perceptrons Enter the Softmax Here’s the Plan What You Just Learned Hands On: Network Adventures 10. Building the Network Coding Forward Propagation Cross Entropy What You Just Learned Hands On: Time Travel Testing 11. Training the Network The Case for Backpropagation From the Chain Rule to Backpropagation Applying Backpropagation Initializing the Weights The Finished Network What You Just Learned Hands On: Starting Off Wrong 12. How Classifiers Work Tracing a Boundary Bending the Boundary What You Just Learned Hands On: Data from Hell 13. Batchin’ Up Learning, Visualized Batch by Batch Understanding Batches What You Just Learned Hands On: The Smallest Batch 14. The Zen of Testing The Threat of Overfitting A Testing Conundrum What You Just Learned Hands On: Thinking About Testing 15. Let’s Do Development Preparing Data Tuning Hyperparameters The Final Test Hands On: Achieving 99% What You Just Learned… and the Road Ahead Part III—Deep Learning 16. A Deeper Kind of Network The Echidna Dataset Building a Neural Network with Keras Making It Deep What You Just Learned Hands On: Keras Playground 17. Defeating Overfitting Overfitting Explained Regularizing the Model A Regularization Toolbox What You Just Learned Hands On: Keeping It Simple 18. Taming Deep Networks Understanding Activation Functions Beyond the Sigmoid Adding More Tricks to Your Bag What You Just Learned Hands On: The 10 Epochs Challenge 19. Beyond Vanilla Networks The CIFAR-10 Dataset The Building Blocks of CNNs Running on Convolutions What You Just Learned Hands On: Hyperparameters Galore 20. Into the Deep The Rise of Deep Learning Unreasonable Effectiveness Where Now? Your Journey Begins A1. Just Enough Python What Python Looks Like Python’s Building Blocks Defining and Calling Functions Working with Modules and Packages Creating and Using Objects That’s It, Folks! A2. The Words of Machine Learning Index – SYMBOLS – – A – – B – – C – – D – – E – – F – – G – – H – – I – – J – – K – – L – – M – – N – – O – – P – – Q – – R – – S – – T – – U – – V – – W – – X –
نظرات کاربران
کتاب های مرتبط
دانلود کتاب Machine Learning Pocket Reference: Working with Structured Data in Python
دانلود کتاب Routledge Encyclopedia of Translation Technology
دانلود کتاب Reasoning Web. Declarative Artificial Intelligence: 16th International Summer School 2020, Oslo, Norway, June 24–26, 2020, Tutorial Lectures
دانلود کتاب Foundations of Machine Learning
دانلود کتاب Reinforcement Learning Algorithms with Python: Learn, understand, and develop smart algorithms for addressing AI challenges
دانلود کتاب GANs in Action: Deep learning with Generative Adversarial Networks
دانلود کتاب The Hundred-Page Machine Learning Book
دانلود کتاب The Definitive ANTLR 4 Reference, 2nd Edition
دانلود کتاب Computational Intelligence in Expensive Optimization Problems
