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 Python Deep Learning Cookbook.

دانلود کتاب کتاب آشپزی یادگیری پایتون.

Python Deep Learning Cookbook.

مشخصات کتاب

Python Deep Learning Cookbook.

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781787122253, 178712519X 
ناشر: Packt Publishing 
سال نشر: 2017 
تعداد صفحات: 435 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 6 مگابایت

قیمت کتاب (تومان) : 57,000



کلمات کلیدی مربوط به کتاب کتاب آشپزی یادگیری پایتون.: پایتون (زبان برنامه کامپیوتری)



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 26


در صورت تبدیل فایل کتاب Python Deep Learning Cookbook. 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 کتاب آشپزی یادگیری 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 کتاب آشپزی یادگیری پایتون.

حل مسائل مختلف در مدل‌سازی شبکه‌های عصبی عمیق با استفاده از پایتون، تنسورفلو و کراس با این راهنمای عملی درباره این کتاب دستور العمل‌های عملی در مورد آموزش مدل‌های مختلف شبکه عصبی و تنظیم آنها برای عملکرد بهینه از چارچوب‌های پایتون مانند TensorFlow، Caffe، Keras، Theano برای زبان طبیعی استفاده کنید. پردازش، بینایی رایانه و موارد دیگر راهنمای عملی که مشکلات رایج و نه چندان رایج را پوشش می‌دهد مشکلات رایج در یادگیری عمیق با استفاده از Python Who This Book For This این کتاب برای متخصصان یادگیری ماشینی در نظر گرفته شده است که به دنبال استفاده از الگوریتم های یادگیری عمیق برای ایجاد برنامه های کاربردی در دنیای واقعی با استفاده از پایتون هستند. درک کامل مفاهیم یادگیری ماشین و کتابخانه های پایتون مانند NumPy، SciPy و scikit-learn انتظار می رود. علاوه بر این، دانش پایه در جبر خطی و حساب دیفرانسیل و انتگرال مورد نظر است. آنچه خواهید آموخت پیاده سازی مدل های مختلف شبکه عصبی در پایتون بهترین فریم ورک پایتون را برای یادگیری عمیق مانند PyTorch، Tensorflow، MXNet و Keras انتخاب کنید. نکات و ترفندهای مربوط به داخلی شبکه های عصبی را به کار ببرید تا عملکرد یادگیری را تقویت کنید. اصول یادگیری ماشین را تلفیق کنید و آنها را در زمینه یادگیری عمیق استفاده مجدد و تطبیق تکه کدهای پایتون با مشکلات روزمره ارزیابی هزینه/مزایا و پیامدهای عملکرد هر راه حل مورد بحث در جزئیات یادگیری عمیق در حال متحول کردن طیف گسترده ای از صنایع است. برای بسیاری از کاربردها، ثابت شده است که یادگیری عمیق با پیش‌بینی‌های سریع‌تر و دقیق‌تر از انسان‌ها بهتر عمل می‌کند. این کتاب یک رویکرد از بالا به پایین و پایین به بالا برای نشان دادن راه حل های یادگیری عمیق برای مشکلات دنیای واقعی در زمینه های مختلف ارائه می دهد. این برنامه ها عبارتند از Computer Vision، Natural Language Processing، Time Series و Robotics. کتاب آشپزی یادگیری عمیق پایتون راه‌حل‌های فنی برای مسائل ارائه‌شده را همراه با توضیح دقیق راه‌حل‌ها ارائه می‌کند. علاوه بر این، بحث در مورد مزایا و معایب مربوط به اجرای راه حل پیشنهادی با استفاده از یکی از چارچوب های محبوب مانند TensorFlow، PyTorch، Keras و CNTK ارائه شده است. این کتاب شامل دستور العمل هایی است که با مفاهیم اولیه شبکه های عصبی مرتبط است. تمام تکنیک ها و همچنین توپولوژی های شبکه های کلاسیک. هدف اصلی این کتاب ارائه لیستی دقیق از دستور العمل ها برای برنامه نویسان پایتون برای اعمال یادگیری عمیق در سناریوهای رایج و نه چندان رایج است. سبک و رویکرد ترکیبی منحصر به فرد از دستور العمل های مستقل که به منطقی ترین روش مرتب شده اند دانلود کد نمونه برای...  ادامه مطلب...


توضیحاتی درمورد کتاب به خارجی

Solve different problems in modelling deep neural networks using Python, Tensorflow, and Keras with this practical guide About This Book Practical recipes on training different neural network models and tuning them for optimal performance Use Python frameworks like TensorFlow, Caffe, Keras, Theano for Natural Language Processing, Computer Vision, and more A hands-on guide covering the common as well as the not so common problems in deep learning using Python Who This Book Is For This book is intended for machine learning professionals who are looking to use deep learning algorithms to create real-world applications using Python. Thorough understanding of the machine learning concepts and Python libraries such as NumPy, SciPy and scikit-learn is expected. Additionally, basic knowledge in linear algebra and calculus is desired. What You Will Learn Implement different neural network models in Python Select the best Python framework for deep learning such as PyTorch, Tensorflow, MXNet and Keras Apply tips and tricks related to neural networks internals, to boost learning performances Consolidate machine learning principles and apply them in the deep learning field Reuse and adapt Python code snippets to everyday problems Evaluate the cost/benefits and performance implication of each discussed solution In Detail Deep Learning is revolutionizing a wide range of industries. For many applications, deep learning has proven to outperform humans by making faster and more accurate predictions. This book provides a top-down and bottom-up approach to demonstrate deep learning solutions to real-world problems in different areas. These applications include Computer Vision, Natural Language Processing, Time Series, and Robotics. The Python Deep Learning Cookbook presents technical solutions to the issues presented, along with a detailed explanation of the solutions. Furthermore, a discussion on corresponding pros and cons of implementing the proposed solution using one of the popular frameworks like TensorFlow, PyTorch, Keras and CNTK is provided. The book includes recipes that are related to the basic concepts of neural networks. All techniques s, as well as classical networks topologies. The main purpose of this book is to provide Python programmers a detailed list of recipes to apply deep learning to common and not-so-common scenarios. Style and approach Unique blend of independent recipes arranged in the most logical manner Downloading the example code for...  Read more...



فهرست مطالب

""Cover ""
 ""Copyright""
 ""Credits""
 ""About the Author""
 ""About the Reviewer""
 ""www.PacktPub.com""
 ""Customer Feedback""
 ""Table of Contents""
 ""Preface""
 ""Chapter 1: Programming Environments, GPU Computing, Cloud Solutions, and Deep Learning Frameworks ""
 ""Introduction""
 ""Setting up a deep learning environment""
 ""How to do it ... ""
 ""Launching an instance on Amazon Web Services (AWS)""
 ""Getting ready""
 ""How to do it ... ""
 ""Launching an instance on Google Cloud Platform (GCP)""
 ""Getting ready""
 ""How to do it ... ""
 ""Installing CUDA and cuDNN""
 ""Getting ready"" ""How to do it ... """"Installing Anaconda and libraries""
 ""How to do it ... ""
 ""Connecting with Jupyter Notebooks on a server""
 ""How to do it ... ""
 ""Building state-of-the-art, production-ready models with TensorFlow""
 ""How to do it ... ""
 ""Intuitively building networks with Keras ""
 ""How to do it ... ""
 ""Using PyTorchâ#x80
#x99
s dynamic computation graphs for RNNs""
 ""How to do it ... ""
 ""Implementing high-performance models with CNTK""
 ""How to do it ... ""
 ""Building efficient models with MXNet""
 ""How to do it ... ""
 ""Defining networks using simple and efficient code with Gluon"" ""How to do it ... """"Chapter 2: Feed-Forward Neural Networks ""
 ""Introduction""
 ""Understanding the perceptron""
 ""How to do it ... ""
 ""Implementing a single-layer neural network""
 ""How to do it ... ""
 ""Building a multi-layer neural network""
 ""How to do it ... ""
 ""Getting started with activation functions""
 ""How to do it ... ""
 ""Experiment with hidden layers and hidden units""
 ""How to do it ... ""
 ""There's more ... ""
 ""Implementing an autoencoder""
 ""How to do it ... ""
 ""Tuning the loss function""
 ""How to do it ... ""
 ""Experimenting with different optimizers"" ""How to do it ... """"Improving generalization with regularization""
 ""How to do it ... ""
 ""Adding dropout to prevent overfitting""
 ""How to do it ... ""
 ""Chapter 3: Convolutional Neural Networks ""
 ""Introduction""
 ""Getting started with filters and parameter sharing""
 ""How to do it ... ""
 ""Applying pooling layers""
 ""How to do it ... ""
 ""Optimizing with batch normalization""
 ""How to do it ... ""
 ""Understanding padding and strides""
 ""How to do it ... ""
 ""Experimenting with different types of initialization""
 ""How to do it ... ""
 ""Implementing a convolutional autoencoder"" ""How to do it ... """"Applying a 1D CNN to text""
 ""How to do it ... ""
 ""Chapter 4: Recurrent Neural Networks ""
 ""Introduction""
 ""Implementing a simple RNN""
 ""How to do it ... ""
 ""Adding Long Short-Term Memory (LSTM)""
 ""How to do it ... ""
 ""Using gated recurrent units (GRUs)""
 ""How to do it ... ""
 ""Implementing bidirectional RNNs""
 ""How to do it ... ""
 ""Character-level text generation""
 ""How to do it ... ""
 ""Chapter 5: Reinforcement Learning ""
 ""Introduction""
 ""Implementing policy gradients""
 ""Getting ready""
 ""How to do it ... ""




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی