دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 2 نویسندگان: Ivan Vasilev, Daniel Slater, Gianmario Spacagna, Peter Roelants, Valentino Zocca سری: ISBN (شابک) : 1789348463, 9781789348460 ناشر: Packt Publishing سال نشر: 2019 تعداد صفحات: 379 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 24 مگابایت
کلمات کلیدی مربوط به کتاب Python Deep Learning: بررسی تکنیک های یادگیری عمیق ، معماری شبکه عصبی و GAN با PyTorch ، Keras و TensorFlow: یادگیری ماشینی، شبکههای عصبی، یادگیری عمیق، پردازش زبان طبیعی، یادگیری بدون نظارت، یادگیری تقویتی، درختهای تصمیمگیری، بینایی کامپیوتری، یادگیری تحت نظارت، پایتون، تشخیص گفتار، بازیها، شبکههای عصبی کانولوشنال، شبکههای عصبی مکرر، شبکههای ماشینهای متخاصم مولد، پشتیبانی، ، آموزش انتقال، شبکه های عصبی چندلایه، کراس، بیز ساده، شبیه سازی مونت کارلو، رگرسیون خطی، رگرسیون لجستیک، PyTorch، شبکه های باقیمانده
در صورت تبدیل فایل کتاب Python Deep Learning: Exploring deep learning techniques, neural network architectures and GANs with PyTorch, Keras and TensorFlow 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 Python Deep Learning: بررسی تکنیک های یادگیری عمیق ، معماری شبکه عصبی و GAN با PyTorch ، Keras و TensorFlow 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.
کاوش پیشرفته ترین مدل های یادگیری عمیق و کاربردهای آن با استفاده از کتابخانه های محبوب پایتون مانند Keras، Tensorflow و Pytorch ویژگی های کلیدی • پایه ای قوی بر روی شبکه های عصبی و یادگیری عمیق با کتابخانه های پایتون. • تکنیک های پیشرفته یادگیری عمیق و کاربردهای آنها در بینایی کامپیوتر و NLP را کاوش کنید. • یاد بگیرید که چگونه یک کامپیوتر می تواند در محیط های پیچیده با یادگیری تقویتی حرکت کند. توضیحات کتاب با افزایش هوش مصنوعی در هر برنامه کاربردی که هم نیازهای کسب و کار و هم نیازهای مصرف کننده را برآورده می کند، یادگیری عمیق به نیاز اصلی امروز و بازار آینده تبدیل می شود. این کتاب به بررسی یادگیری عمیق می پردازد و یک ذهنیت یادگیری عمیق قوی ایجاد می کند تا از آنها در پروژه های هوش مصنوعی هوشمند خود استفاده کند. این نسخه دوم زمینه های قوی یادگیری عمیق، شبکه های عصبی عمیق و نحوه آموزش آنها را با الگوریتم های با کارایی بالا و چارچوب های محبوب پایتون ایجاد می کند. شما معماریهای شبکههای عصبی مختلف مانند شبکههای کانولوشن، شبکههای تکراری، حافظه کوتاهمدت بلند مدت (LSTM) را کشف خواهید کرد و مشکلاتی را در زمینه تشخیص تصویر، پردازش زبان طبیعی و پیشبینی سریهای زمانی حل خواهید کرد. شما همچنین حوزه تازه تکامل یافته یادگیری تقویتی را کشف خواهید کرد و به شما کمک می کند تا الگوریتم های پیشرفته ای را که موتورهای اصلی پشت بازی محبوب Go، Atari و Dota هستند، درک کنید. در پایان کتاب، شما به خوبی با دانش عملی یادگیری عمیق و کاربردهای آن در دنیای واقعی آشنا خواهید شد. آنچه خواهید آموخت • تئوری ریاضی را در پشت شبکه های عصبی و فرآیند یادگیری عمیق درک کنید. • بررسی و حل چالش های بینایی کامپیوتری با استفاده از شبکه های کانولوشن و شبکه های کپسولی. • وظایف مولد را با استفاده از رمزگذارهای خودکار متغیر و شبکه های متخاصم مولد (GAN) حل کنید. • یادگیری تقویتی را کاوش کنید و درک کنید که چگونه عوامل در یک محیط پیچیده رفتار می کنند. • وظایف پیچیده پردازش زبان طبیعی را با استفاده از شبکه های تکرارشونده (LSTM، GRU) و مدل های توجه اجرا کنید. این کتاب برای چه کسی است این کتاب برای دست اندرکاران علم داده، مهندسان یادگیری ماشین و مشتاقان یادگیری عمیق است که پایه اولیه مفاهیم یادگیری ماشین و برخی تجربه برنامه نویسی با پایتون را دارند. پیشینه ریاضی با درک مفهومی حساب دیفرانسیل و انتگرال و آمار نیز مورد نظر است
Exploring an advanced state of the art deep learning models and its applications using Popular python libraries like Keras, Tensorflow, and Pytorch Key Features • A strong foundation on neural networks and deep learning with Python libraries. • Explore advanced deep learning techniques and their applications across computer vision and NLP. • Learn how a computer can navigate in complex environments with reinforcement learning. Book Description With the surge of Artificial Intelligence in each and every application catering to both business and consumer needs, Deep Learning becomes the prime need of today and future market demands. This book explores deep learning and builds a strong deep learning mindset in order to put them into use in their smart artificial intelligence projects. This second edition builds strong grounds of deep learning, deep neural networks and how to train them with high-performance algorithms and popular python frameworks. You will uncover different neural networks architectures like convolutional networks, recurrent networks, long short term memory (LSTM) and solve problems across image recognition, natural language processing, and time-series prediction. You will also explore the newly evolved area of reinforcement learning and it will help you to understand the state-of-the-art algorithms which are the main engines behind popular game Go, Atari, and Dota. By the end of the book, you will be well versed with practical deep learning knowledge and its real-world applications What you will learn • Grasp mathematical theory behind neural networks and deep learning process. • Investigate and resolve computer vision challenges using convolutional networks and capsule networks. • Solve Generative tasks using Variational Autoencoders and Generative Adversarial Nets (GANs). • Explore Reinforcement Learning and understand how agents behave in a complex environment. • Implement complex natural language processing tasks using recurrent networks (LSTM, GRU), and attention models. Who This Book Is For This book is for Data Science practitioners, Machine Learning Engineers and Deep learning aspirants who have a basic foundation of Machine Learning concepts and some programming experience with Python. A mathematical background with a conceptual understanding of calculus and statistics is also desired