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
ویرایش:
نویسندگان: Joshua F. Wiley
سری:
ISBN (شابک) : 1785280589, 9781785280580
ناشر: Packt Publishing
سال نشر: 2016
تعداد صفحات: 170
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب R ضروریات یادگیری عمیق: داده کاوی، پایگاه های داده و کلان داده، کامپیوتر و فناوری، الگوریتم ها، ساختارهای داده، ژنتیک، مدیریت حافظه، برنامه نویسی، کامپیوتر و فناوری، منطق، طراحی نرم افزار، آزمایش و مهندسی، برنامه نویسی، کامپیوتر و فناوری
در صورت تبدیل فایل کتاب R Deep Learning Essentials 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 R ضروریات 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.
ساخت مدلهای طبقهبندی و پیشبینی خودکار با استفاده از یادگیری بدون نظارت درباره این کتاب- توانایی ساخت الگوریتمهایی برای دادههای بدون نظارت با استفاده از مفاهیم یادگیری عمیق با R- مسلط به مشکلات رایجی که با آنها مواجه میشوند مانند بیش از حد برازش دادهها، مجموعه دادههای غیرعادی، تشخیص تصویر، و تنظیم عملکرد در حین ساخت مدلها- مدلهای مربوط به شبکههای عصبی، پیشبینی و پیشبینی عمیق را بسازید که این کتاب برای چه کسی است، به دانشمندان داده مشتاقی که به خوبی با مفاهیم یادگیری ماشین با R آشنا هستند و به دنبال کشف الگوی یادگیری عمیق با استفاده از بستههای موجود در R هستند، پاسخ میدهد. شما باید درک اساسی از زبان R داشته باشید و با الگوریتمهای آماری و تکنیکهای یادگیری ماشین راحت باشید، اما نیازی نیست که با مفاهیم یادگیری عمیق آشنا باشید. مدلها- مفاهیم اصلی پشت مدلهای یادگیری عمیق را درک کنید- از رمزگذارهای خودکار برای شناسایی دادههای غیرعادی یا پرت استفاده کنید- پیشبینی یا طبقهبندی دادهها به صورت خودکار با استفاده از شبکههای عصبی عمیق- ساخت مدلهای قابل تعمیم با استفاده از منظمسازی برای جلوگیری از برازش بیش از حد دادههای آموزشی در DetailDeep یادگیری شاخهای از یادگیری ماشینی مبتنی بر یادگیری است. روی مجموعهای از الگوریتمها که سعی در مدلسازی انتزاعات سطح بالا در دادهها با استفاده از معماریهای مدل دارند. موتور H2O با مدیریت حافظه فوق العاده و ادغام کامل با پلتفرم های داده های بزرگ چند گره، روز به روز محبوبیت بیشتری در بین دانشمندان داده در زمینه یادگیری عمیق پیدا کرده است. این کتاب شما را با بسته یادگیری عمیق H2O با R و به شما در درک مفاهیم یادگیری عمیق کمک می کند. ما با راهاندازی بستههای یادگیری عمیق مهم در R شروع میکنیم و سپس به سمت ساخت مدلهای مرتبط با شبکههای عصبی، پیشبینی و پیشبینی عمیق میرویم، همه اینها با کمک مثالهای واقعی. پس از نصب بسته H2O، شما میتوانید با الگوریتم های پیش بینی آشنا شوید با حرکت رو به جلو، مفاهیمی مانند داده های بیش از حد برازش، داده های غیرعادی و مدل های پیش بینی عمیق توضیح داده می شوند. در نهایت، این کتاب مفاهیم مربوط به تنظیم و بهینهسازی مدلها را پوشش میدهد. سبک و رویکرد این کتاب رویکردی عملی دارد تا مفاهیم یادگیری عمیق با زبان برنامهنویسی R را به شما نشان دهد. ما با راهاندازی بستههای یادگیری عمیق مهم در R شروع میکنیم و سپس به سمت ساخت مدلهای مرتبط با شبکه عصبی، پیشبینی و پیشبینی عمیق – و همه اینها با کمک مثالهای واقعی حرکت میکنیم.
Build automatic classification and prediction models using unsupervised learningAbout This Book- Harness the ability to build algorithms for unsupervised data using deep learning concepts with R- Master the common problems faced such as overfitting of data, anomalous datasets, image recognition, and performance tuning while building the models- Build models relating to neural networks, prediction and deep predictionWho This Book Is ForThis book caters to aspiring data scientists who are well versed with machine learning concepts with R and are looking to explore the deep learning paradigm using the packages available in R. You should have a fundamental understanding of the R language and be comfortable with statistical algorithms and machine learning techniques, but you do not need to be well versed with deep learning concepts.What You Will Learn- Set up the R package H2O to train deep learning models- Understand the core concepts behind deep learning models- Use Autoencoders to identify anomalous data or outliers- Predict or classify data automatically using deep neural networks- Build generalizable models using regularization to avoid overfitting the training dataIn DetailDeep learning is a branch of machine learning based on a set of algorithms that attempt to model high-level abstractions in data by using model architectures. With the superb memory management and the full integration with multi-node big data platforms, the H2O engine has become more and more popular among data scientists in the field of deep learning.This book will introduce you to the deep learning package H2O with R and help you understand the concepts of deep learning. We will start by setting up important deep learning packages available in R and then move towards building models related to neural networks, prediction, and deep prediction, all of this with the help of real-life examples.After installing the H2O package, you will learn about prediction algorithms. Moving ahead, concepts such as overfitting data, anomalous data, and deep prediction models are explained. Finally, the book will cover concepts relating to tuning and optimizing models.Style and approachThis book takes a practical approach to showing you the concepts of deep learning with the R programming language. We will start with setting up important deep learning packages available in R and then move towards building models related to neural network, prediction, and deep prediction - and all of this with the help of real-life examples.