دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Python Deep Learning
دانلود کتاب یادگیری عمیق پایتون
مشخصات کتاب
Python Deep Learning
ویرایش: نویسندگان: Valentino Zocca, Gianmario Spacagna, Daniel Slater, Peter Roelants سری: ISBN (شابک) : 9781786464453 ناشر: Packt سال نشر: 2017 تعداد صفحات: 391 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 5 Mb
قیمت کتاب (تومان) : 51,000
در صورت تبدیل فایل کتاب Python 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 عمیق 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 پایتون
با تسلط بر مفاهیم و الگوریتم‌های یادگیری عمیق با استفاده از پایتون، مهارت‌های یادگیری ماشین خود را به سطح بعدی ببرید. درباره این کتاب* با استفاده از تکنیک‌های پیشرفته یادگیری عمیق سیستم‌های هوشمند را کاوش و ایجاد کنید* الگوریتم‌های یادگیری عمیق را پیاده‌سازی کنید و با کتابخانه‌های انقلابی در پایتون کار کنید* واقعی شوید -نمونه‌های جهانی و آموزش‌های ساده در مورد Theano، TensorFlow، H2O و موارد دیگرWho This Book Is ForThis کتاب برای پزشکان علوم داده و همچنین مشتاقانی است که درک پایه‌ای از مفاهیم یادگیری ماشین و تجربه برنامه‌نویسی با پایتون دارند. یک پیش‌زمینه ریاضی با درک مفهومی حساب دیفرانسیل و انتگرال و آمار نیز مورد نظر است. آنچه یاد خواهید گرفت* در الگوریتم‌های یادگیری عمیق به مطالعه عمیق بپردازید* یادگیری عمیق را با Theano، Caffe، Keras، و TensorFlow بیشتر کاوش کنید. تکنیک‌های قدرتمند در هسته بسیاری از پیاده‌سازی‌های یادگیری عمیق عملی: رمزگذارهای خودکار و ماشین‌های محدود بولتزمن* شیرجه به شبکه‌های باور عمیق و شبکه‌های عصبی عمیق* الگوریتم‌های یادگیری عمیق بیشتری را با شبکه‌های عصبی انحرافی و کانولوشنال کشف کنید* استراتژی‌های دستگاه را بشناسید تا بتوانید استفاده از الگوریتم ها و کتابخانه های یادگیری عمیق در دنیای واقعی در جزئیات با افزایش علاقه به هوش مصنوعی در سراسر جهان، یادگیری عمیق توجه زیادی را به خود جلب کرده است. هر روز، الگوریتم های یادگیری عمیق به طور گسترده در صنایع مختلف مورد استفاده قرار می گیرند. این کتاب تمام اطلاعات عملی موجود در مورد این موضوع، از جمله بهترین شیوه ها، با استفاده از موارد استفاده در دنیای واقعی را در اختیار شما قرار می دهد. شما یاد خواهید گرفت که برای افزایش دقت پیش‌بینی و بهینه‌سازی نتایج، اطلاعات را تشخیص داده و استخراج کنید. این کتاب با یک جمع‌بندی سریع از مفاهیم مهم یادگیری ماشین شروع می‌شود، این کتاب مستقیماً به اصول یادگیری عمیق با استفاده از یادگیری کیت علمی می‌پردازد. با حرکت رو به جلو، یاد خواهید گرفت که از جدیدترین کتابخانه های منبع باز مانند Theano، Keras، TensorFlow گوگل و H20 استفاده کنید. از این راهنما برای کشف مشکلات مربوط به تشخیص الگو، مقیاس بندی داده ها با دقت بیشتر و بحث در مورد الگوریتم ها و تکنیک های یادگیری عمیق استفاده کنید. همه چیز را در داخل پیدا خواهید کرد. سبک و رویکرد یادگیری ماشین پایتون با مثال از رویکرد عملی پیروی می کند. شما را از طریق عناصر کلیدی پایتون و کتابخانه های قدرتمند یادگیری ماشینی آن با کمک پروژه های دنیای واقعی راهنمایی می کند.
توضیحاتی درمورد کتاب به خارجی
Take your machine learning skills to the next level by mastering Deep Learning concepts and algorithms using Python.About This Book* Explore and create intelligent systems using cutting-edge deep learning techniques* Implement deep learning algorithms and work with revolutionary libraries in Python* Get real-world examples and easy-to-follow tutorials on Theano, TensorFlow, H2O and moreWho This Book Is ForThis book is for Data Science practitioners as well as aspirants who have a basic foundational understanding of Machine Learning concepts and some programming experience with Python. A mathematical background with a conceptual understanding of calculus and statistics is also desired.What You Will Learn* Get a practical deep dive into deep learning algorithms* Explore deep learning further with Theano, Caffe, Keras, and TensorFlow* Learn about two of the most powerful techniques at the core of many practical deep learning implementations: Auto-Encoders and Restricted Boltzmann Machines* Dive into Deep Belief Nets and Deep Neural Networks* Discover more deep learning algorithms with Dropout and Convolutional Neural Networks* Get to know device strategies so you can use deep learning algorithms and libraries in the real worldIn DetailWith an increasing interest in AI around the world, deep learning has attracted a great deal of public attention. Every day, deep learning algorithms are used broadly across different industries.The book will give you all the practical information available on the subject, including the best practices, using real-world use cases. You will learn to recognize and extract information to increase predictive accuracy and optimize results.Starting with a quick recap of important machine learning concepts, the book will delve straight into deep learning principles using Sci-kit learn. Moving ahead, you will learn to use the latest open source libraries such as Theano, Keras, Google's TensorFlow, and H20. Use this guide to uncover the difficulties of pattern recognition, scaling data with greater accuracy and discussing deep learning algorithms and techniques.Whether you want to dive deeper into Deep Learning, or want to investigate how to get more out of this powerful technology, you'll find everything inside.Style and approachPython Machine Learning by example follows practical hands on approach. It walks you through the key elements of Python and its powerful machine learning libraries with the help of real world projects.
فهرست مطالب
Cover Copyright Credits About the Authors About the Reviewer www.PacktPub.com Customer Feedback Table of Contents Preface Chapter 1: Machine Learning – An Introduction What is machine learning? Different machine learning approaches Supervised learning Unsupervised learning Reinforcement learning Steps Involved in machine learning systems Brief description of popular techniques/algorithms Linear regression Decision trees K-means Naïve Bayes Support vector machines The cross-entropy method Neural networks Deep learning Applications in real life A popular open source package Summary Chapter 2: Neural Networks Why neural networks? Fundamentals Neurons and layers Different types of activation function The back-propagation algorithm Linear regression Logistic regression Back-propagation Applications in industry Signal processing Medical Autonomous car driving Business Pattern recognition Speech production Code example of a neural network for the function xor Summary Chapter 3: Deep Learning Fundamentals What is deep learning? Fundamental concepts Feature learning Deep learning algorithms Deep learning applications Speech recognition Object recognition and classification GPU versus CPU Popular open source libraries – an introduction Theano TensorFlow Keras Sample deep neural net code using Keras Summary Chapter 4: Unsupervised Feature Learning Autoencoders Network design Regularization techniques for autoencoders Denoising autoencoders Contractive autoencoders Sparse autoencoders Summary of autoencoders Restricted Boltzmann machines Hopfield networks and Boltzmann machines Boltzmann machine Restricted Boltzmann machine Implementation in TensorFlow Deep belief networks Summary Chapter 5: Image Recognition Similarities between artificial and biological models Intuition and justification Convolutional layers Stride and padding in convolutional layers Pooling layers Dropout Convolutional layers in deep learning Convolutional layers in Theano A convolutional layer example with Keras to recognize digits A convolutional layer example with Keras for cifar10 Pre-training Summary Chapter 6: Recurrent Neural Networks and Language Models Recurrent neural networks RNN — how to implement and train Backpropagation through time Vanishing and exploding gradients Long short term memory Language modeling Word-based models N-grams Neural language models Character-based model Preprocessing and reading data LSTM network Training Sampling Example training Speech recognition Speech recognition pipeline Speech as input data Preprocessing Acoustic model Deep belief networks Recurrent neural networks CTC Attention-based models Decoding End-to-end models Summary Bibliography Chapter 7: Deep Learning for Board Games Early game playing AI Using the min-max algorithm to value game states Implementing a Python Tic-Tac-Toe game Learning a value function Training AI to master Go Upper confidence bounds applied to trees Deep learning in Monte Carlo Tree Search Quick recap on reinforcement learning Policy gradients for learning policy functions Policy gradients in AlphaGo Summary Chapter 8: Deep Learning for Computer Games A supervised learning approach to games Applying genetic algorithms to playing games Q-Learning Q-function Q-learning in action Dynamic games Experience replay Epsilon greedy Atari Breakout Atari Breakout random benchmark Preprocessing the screen Creating a deep convolutional network Convergence issues in Q-learning Policy gradients versus Q-learning Actor-critic methods Baseline for variance reduction Generalized advantage estimator Asynchronous methods Model-based approaches Summary Chapter 9: Anomaly Detection What is anomaly and outlier detection? Real-world applications of anomaly detection Popular shallow machine learning techniques Data modeling Detection modeling Anomaly detection using deep auto-encoders H2O Getting started with H2O Examples MNIST digit anomaly recognition Electrocardiogram pulse detection Summary Chapter 10: Building a Production-ready Intrusion Detection System What is a data product? Training Weights initialization Parallel SGD using HOGWILD! Adaptive learning Rate annealing Momentum Nesterov's acceleration Newton's method Adagrad Adadelta Distributed learning via Map/Reduce Sparkling Water Testing Model validation Labeled Data Unlabeled Data Summary of validation Hyper-parameters tuning End-to-end evaluation A/B Testing A summary of testing Deployment POJO model export Anomaly score APIs A summary of deployment Summary Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Picturing Tolkien
دانلود کتاب Relevant logic: A philosophical examination of inference
دانلود کتاب Military Athlete: Train right!
دانلود کتاب A Concise Guide to Market Research: The Process, Data, and Methods Using IBM SPSS Statistics
