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: Paperback نویسندگان: Antonio Gulli, Amita Kapoor سری: ISBN (شابک) : 1788293592, 9781788293594 ناشر: Packt Publishing سال نشر: 2017 تعداد صفحات: 526 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 11 مگابایت
در صورت تبدیل فایل کتاب TensorFlow 1.x Deep Learning Cookbook: Over 90 unique recipes to solve artificial-intelligence driven problems with Python 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 TensorFlow 1.x Deep Learning: بیش از 90 دستور العمل منحصر به فرد برای حل مشکلات مبتنی بر هوش مصنوعی با 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.
گام بعدی را در پیاده سازی شبکه های عصبی مختلف رایج و نه چندان رایج با Tensorflow 1.x بردارید. ویژگی های کلیدی با استفاده از TensorFlow Google's TensorFlow 1.x، شبکه های عصبی پیچیده را تقویت کرده و پیاده سازی کنید راهنمای آسانی که به شما امکان می دهد یادگیری تقویتی، GAN ها، رمزگذارهای خودکار، پرسپترون های چندلایه و موارد دیگر را کشف کنید. دستور العمل های عملی برای کار با Tensorflow در محیط دسکتاپ، موبایل و ابر توضیحات کتاب شبکه های عصبی عمیق (DNN) در زمینه بینایی کامپیوتری، تشخیص گفتار و پردازش زبان طبیعی به موفقیت های زیادی دست یافته اند. کل جهان پر از هیجان است که چگونه شبکه های عمیق هوش مصنوعی را متحول می کنند. این راهنمای مهیج مبتنی بر دستور العمل شما را از قلمرو تئوری DNN به اجرای عملی آنها برای حل مشکلات زندگی واقعی در حوزه هوش مصنوعی می برد. در این کتاب، نحوه استفاده کارآمد از TensorFlow، چارچوب متن باز گوگل برای یادگیری عمیق را خواهید آموخت. شما شبکههای یادگیری عمیق مختلف مانند شبکههای عصبی کانولوشن (CNN)، شبکههای عصبی تکراری (RNN)، شبکههای یادگیری عمیق Q (DQN) و شبکههای متخاصم مولد (GAN) را با دستور العملهای مستقل آسان پیادهسازی خواهید کرد. شما یاد خواهید گرفت که چگونه Keras را به عنوان Backend با TensorFlow بسازید. با رویکرد حل مسئله، نحوه پیادهسازی معماریهای عصبی عمیق مختلف برای انجام وظایف پیچیده در محل کار را خواهید فهمید. شما عملکرد DNN های مختلف را در برخی از مجموعه داده های پرکاربرد مانند MNIST، CIFAR-10، Youtube8m و غیره خواهید آموخت. شما نه تنها در مورد پلتفرم های مختلف تلفن همراه و جاسازی شده که توسط TensorFlow پشتیبانی می شوند، یاد خواهید گرفت، بلکه نحوه راه اندازی پلت فرم های ابری برای برنامه های یادگیری عمیق را نیز خواهید آموخت. نگاهی اجمالی به معماری TPU و نحوه تاثیر آنها بر آینده DNN داشته باشید. با استفاده از دستور العملهای واضح و بیمعنی، در پیادهسازی تکنیکهای یادگیری عمیق در رشد برنامههای کاربردی دنیای واقعی و زمینههای تحقیقاتی مانند یادگیری تقویتی، GAN، رمزگذارهای خودکار و موارد دیگر متخصص خواهید شد. آنچه خواهید آموخت TensorFlow را نصب کنید و از آن برای عملیات CPU و GPU استفاده کنید DNN ها را پیاده سازی کنید و از آنها برای حل مشکلات مختلف مبتنی بر هوش مصنوعی استفاده کنید. از مجموعه داده های مختلف مانند MNIST، CIFAR-10، و Youtube8m با TensorFlow استفاده کنید و نحوه دسترسی و استفاده از آنها را در کد خود بیاموزید. از TensorBoard برای درک معماری شبکه های عصبی، بهینه سازی فرآیند یادگیری و نگاه کردن به جعبه سیاه شبکه عصبی استفاده کنید. از تکنیک های رگرسیون مختلف برای پیش بینی و طبقه بندی مسائل استفاده کنید ساخت پرسپترون های تک لایه و چند لایه در تنسورفلو CNN و RNN را در TensorFlow پیاده سازی کنید و از آن برای حل موارد استفاده در دنیای واقعی استفاده کنید. بیاموزید که چگونه میتوان از ماشینهای محدود Boltzmann برای توصیه فیلم استفاده کرد. پیاده سازی Autoencoder و شبکه های باور عمیق را درک کنید و از آنها برای تشخیص احساسات استفاده کنید. به روش های مختلف یادگیری تقویتی برای اجرای عوامل بازی تسلط پیدا کنید. GAN ها و پیاده سازی آنها با استفاده از TensorFlow.
Take the next step in implementing various common and not-so-common neural networks with Tensorflow 1.x Key Features Skill up and implement tricky neural networks using Google's TensorFlow 1.x An easy-to-follow guide that lets you explore reinforcement learning, GANs, autoencoders, multilayer perceptrons and more. Hands-on recipes to work with Tensorflow on desktop, mobile, and cloud environment Book Description Deep neural networks (DNNs) have achieved a lot of success in the field of computer vision, speech recognition, and natural language processing. The entire world is filled with excitement about how deep networks are revolutionizing artificial intelligence. This exciting recipe-based guide will take you from the realm of DNN theory to implementing them practically to solve the real-life problems in artificial intelligence domain. In this book, you will learn how to efficiently use TensorFlow, Google's open source framework for deep learning. You will implement different deep learning networks such as Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Deep Q-learning Networks (DQNs), and Generative Adversarial Networks (GANs) with easy to follow independent recipes. You will learn how to make Keras as backend with TensorFlow. With a problem-solution approach, you will understand how to implement different deep neural architectures to carry out complex tasks at work. You will learn the performance of different DNNs on some popularly used data sets such as MNIST, CIFAR-10, Youtube8m, and more. You will not only learn about the different mobile and embedded platforms supported by TensorFlow but also how to set up cloud platforms for deep learning applications. Get a sneak peek of TPU architecture and how they will affect DNN future. By using crisp, no-nonsense recipes, you will become an expert in implementing deep learning techniques in growing real-world applications and research areas such as reinforcement learning, GANs, autoencoders and more. What you will learn Install TensorFlow and use it for CPU and GPU operations Implement DNNs and apply them to solve different AI-driven problems. Leverage different data sets such as MNIST, CIFAR-10, and Youtube8m with TensorFlow and learn how to access and use them in your code. Use TensorBoard to understand neural network architectures, optimize the learning process, and peek inside the neural network black box. Use different regression techniques for prediction and classification problems Build single and multilayer perceptrons in TensorFlow Implement CNN and RNN in TensorFlow, and use it to solve real-world use cases. Learn how restricted Boltzmann Machines can be used to recommend movies. Understand the implementation of Autoencoders and deep belief networks, and use them for emotion detection. Master the different reinforcement learning methods to implement game playing agents. GANs and their implementation using TensorFlow.
1. Initial steps in Tensorflow 1.x 2. Regression 3. Neural Networks: Perceptrons 4. Convolutional Neural Network 5. CNN in Action 6. Recurrent Neural Networks 7. Unsupervised Learning 8. Autoencoders 9. Reinforcement Learning 10. Tensorflow Mobile 11. Generative Adverasial Networks 12. Deep Learning on Cloud 13. Learning to Learn with AutoML (or what is Meta-Learning) 14. TensorFlow Processing Units