مشخصات کتاب

Ultimate Neural Network Programming with Python: Create Powerful Modern AI Systems by Harnessing Neural Networks with Python

ویرایش:  
نویسندگان: Vishal Rajput,   
سری:  
ISBN (شابک) : 9789391246549 
ناشر: Orange Education PVT Ltd 
سال نشر: 2023 
تعداد صفحات: 401 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 Mb 

در صورت تبدیل فایل کتاب Ultimate Neural Network Programming with Python: Create Powerful Modern AI Systems by Harnessing Neural Networks 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 برنامه نویسی نهایی شبکه عصبی با پایتون: ایجاد سیستم های هوش مصنوعی مدرن قدرتمند با استفاده از شبکه های عصبی 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.

توضیحاتی در مورد کتاب برنامه نویسی نهایی شبکه عصبی با پایتون: ایجاد سیستم های هوش مصنوعی مدرن قدرتمند با استفاده از شبکه های عصبی با پایتون

شبکه های عصبی استاد برای ساختن سیستم های هوش مصنوعی مدرن. ویژگی های کلیدی ● پوشش جامع مفاهیم و نظریه های اساسی هوش مصنوعی. ● کاوش عمیق ریاضیات در پشت ریاضیات شبکه عصبی. ● استراتژی های موثر برای ساختار کد یادگیری عمیق. ● کاربردهای دنیای واقعی اصول و تکنیک های هوش مصنوعی. توضیحات این کتاب راهنمای عملی برای دنیای هوش مصنوعی (AI) است که ریاضیات و اصول پشت برنامه‌هایی مانند Google Maps و Amazon را آشکار می‌کند. این کتاب با مقدمه‌ای بر پایتون و هوش مصنوعی شروع می‌شود، ریاضیات پیچیده هوش مصنوعی را رمزگشایی می‌کند، به شما می‌آموزد که مفاهیم هوش مصنوعی را پیاده‌سازی کنید، و کتابخانه‌های هوش مصنوعی سطح بالا را بررسی می‌کند. در سرتاسر فصل‌ها، خوانندگان از طریق تمرین‌های تمرینی و یادگیری‌های تکمیلی با کتاب درگیر می‌شوند. سپس این کتاب به تدریج به سمت شبکه های عصبی با پایتون حرکت می کند و سپس به ساخت مدل های ANN و برنامه های کاربردی هوش مصنوعی در دنیای واقعی می پردازد. این سبک‌های یادگیری مختلف را در خود جای می‌دهد و به خوانندگان اجازه می‌دهد روی پیاده‌سازی عملی یا درک ریاضی تمرکز کنند. این کتاب فقط در مورد استفاده از ابزارهای هوش مصنوعی نیست. این یک قطب نما در دنیای منابع هوش مصنوعی است که خوانندگان را قادر می سازد تا ابزارهایی را برای سیستم های پیچیده هوش مصنوعی ایجاد کنند. این یک سفر اکتشافی، آزمایش و مهارت در هوش مصنوعی را تضمین می کند و خوانندگان را با مهارت های مورد نیاز برای برتری در صنعت هوش مصنوعی مجهز می کند. چه چیزی یاد خواهید گرفت ● از TensorFlow و Keras در هنگام ساختن پایه و اساس ایجاد خطوط لوله هوش مصنوعی استفاده کنید. ● مفاهیم پیشرفته هوش مصنوعی، از جمله کاهش ابعاد، یادگیری بدون نظارت، و تکنیک‌های بهینه‌سازی را کاوش کنید. ● بر پیچیدگی های ساخت شبکه های عصبی از ابتدا مسلط شوید. ● به توسعه شبکه عصبی، پوشش مشتقات، انتشار پس‌انداز، و استراتژی‌های بهینه‌سازی عمیق‌تر بپردازید. ● از قدرت کتابخانه‌های هوش مصنوعی سطح بالا برای توسعه کدهای آماده تولید استفاده کنید و به شما امکان می‌دهد توسعه برنامه‌های هوش مصنوعی را تسریع کنید. ● با آخرین پیشرفت ها و پیشرفت ها در زمینه پویا هوش مصنوعی به روز باشید. این کتاب مال کیه؟ این کتاب به عنوان یک راهنمای ایده‌آل برای مهندسین نرم‌افزاری که مشتاق کشف هوش مصنوعی هستند، ارائه می‌کند و کاوش دقیق و کاربرد عملی مفاهیم هوش مصنوعی را با استفاده از پایتون ارائه می‌کند. محققان هوش مصنوعی این کتاب را روشنگر خواهند یافت، و بینش روشنی در مورد مفاهیم ریاضی زیربنای الگوریتم‌های هوش مصنوعی ارائه می‌دهند و به نوشتن کدهای سطح تولید کمک می‌کنند. این کتاب برای تقویت مهارت ها و دانش شما برای ایجاد راه حل های پیچیده و مبتنی بر هوش مصنوعی و پیشرفت در زمینه چند وجهی هوش مصنوعی طراحی شده است. فهرست مطالب 1. درک تاریخچه هوش مصنوعی 2. راه اندازی گردش کار پایتون برای توسعه هوش مصنوعی 3. کتابخانه های پایتون برای دانشمندان داده 4. مفاهیم بنیادی برای آموزش موثر شبکه عصبی 5. کاهش ابعاد، یادگیری بدون نظارت و بهینه سازی شبکه Netch از Deep 7. مشتقات، انتشار پس زمینه و بهینه سازها 8. درک معماری Convolution و CNN 9. درک اصول TensorFlow و Keras 10. ساخت خط لوله تقسیم بندی تصویر از انتهای به انتها 11. آخرین پیشرفت ها در شاخص هوش مصنوعی

توضیحاتی درمورد کتاب به خارجی

Master Neural Networks for Building Modern AI Systems. KEY FEATURES ● Comprehensive Coverage of Foundational AI Concepts and Theories. ● In-Depth Exploration of Maths Behind Neural Network Mathematics. ● Effective Strategies for Structuring Deep Learning Code. ● Real-World Applications of AI Principles and Techniques. DESCRIPTION This book is a practical guide to the world of Artificial Intelligence (AI), unraveling the math and principles behind applications like Google Maps and Amazon. The book starts with an introduction to Python and AI, demystifies complex AI math, teaches you to implement AI concepts, and explores high-level AI libraries. Throughout the chapters, readers are engaged with the book through practice exercises, and supplementary learnings. The book then gradually moves to Neural Networks with Python before diving into constructing ANN models and real-world AI applications. It accommodates various learning styles, letting readers focus on hands-on implementation or mathematical understanding. This book isn\'t just about using AI tools; it\'s a compass in the world of AI resources, empowering readers to modify and create tools for complex AI systems. It ensures a journey of exploration, experimentation, and proficiency in AI, equipping readers with the skills needed to excel in the AI industry. WHAT WILL YOU LEARN ● Leverage TensorFlow and Keras while building the foundation for creating AI pipelines. ● Explore advanced AI concepts, including dimensionality reduction, unsupervised learning, and optimization techniques. ● Master the intricacies of neural network construction from the ground up. ● Dive deeper into neural network development, covering derivatives, backpropagation, and optimization strategies. ● Harness the power of high-level AI libraries to develop production-ready code, allowing you to accelerate the development of AI applications. ● Stay up-to-date with the latest breakthroughs and advancements in the dynamic field of artificial intelligence. WHO IS THIS BOOK FOR? This book serves as an ideal guide for software engineers eager to explore AI, offering a detailed exploration and practical application of AI concepts using Python. AI researchers will find this book enlightening, providing clear insights into the mathematical concepts underlying AI algorithms and aiding in writing production-level code. This book is designed to enhance your skills and knowledge to create sophisticated, AI-powered solutions and advance in the multifaceted field of AI. TABLE OF CONTENTS 1. Understanding AI History 2. Setting up Python Workflow for AI Development 3. Python Libraries for Data Scientists 4. Foundational Concepts for Effective Neural Network Training 5. Dimensionality Reduction, Unsupervised Learning and Optimizations 6. Building Deep Neural Networks from Scratch 7. Derivatives, Backpropagation, and Optimizers 8. Understanding Convolution and CNN Architectures 9. Understanding the Basics of TensorFlow and Keras 10. Building End-to-end Image Segmentation Pipeline 11. Latest Advancements in AI Index

فهرست مطالب

Cover Page
Title Page
Copyright Page
Dedication Page
About the Author
About the Technical Reviewers
Welcome note
Acknowledgements
Preface
Errata
Table of Contents
1. Understanding AI History
   Structure
   Evolution of AI
      The early history of AI
      The most crucial development in the History of AI
      AI started evolving into new fields
      AI starts taking its modern form
   Understanding Intelligent Behavior
      AI beats humans at chess
      AI learning reasoning and language
      AI starts playing poker
      Conquering GO and Dota 2
      An experience with ChatGPT
   Difference between Artificial Intelligence, Machine Learning, and Deep Learning
      Formally defining AI terms
      Learning representations from data
   Sub-Fields of AI
      Artificial Intelligence (AI)
      Machine Learning (ML)
      Deep Learning (DL)
   Early Models of Neuron-Inspired Networks
      Understanding biological neurons
      McCulloch-Pitts model of a neuron
      Multilayer Perceptron (MLP)
   Conclusion
2. Setting up Python Workflow for AI Development
   Structure
   Setting up Python Environment
      Installing Python
      Getting Anaconda for Data Science Environment Setup
      Setting up a Virtual Environment
      Installing packages
      Setting up VS Code
      Installing Git
      Setting up GitHub with VS Code
   Concepts of OOPS
      Encapsulation
      Accessing Variables
      Inheritance
   Conclusion
3. Python Libraries for Data Scientists
   Structure
   Web Scraping
   Regex
   Multi-Threading and Multi-Processing
      Multi-Threading
      Multi-Processing
   Pandas Basics
   Conclusion
4. Foundational Concepts for Effective Neural Network Training
   Structure
   Activation Functions
   RBF, Universal Approximators, and Curse of Dimensionality
      Radial Bias Function
      Neural Networks are universal approximators
      The curse of dimensionality
   Overfitting, Bias-Variance, and Generalization
      Overfitting problem
      Regularization and effective parameters
      Dropout
      Early stopping and validation set
      Bias-Variance trade-off
      Generalization
   Conclusion
5. Dimensionality Reduction, Unsupervised Learning and Optimizations
   Structure
   Dimensionality reduction
      Principal component analysis (PCA)
      T-SNE
      Non-linear PCA
   Unsupervised learning
      Clustering
   Semi-supervised learning
      Generalizing active learning to multi-class
   Self-supervised learning
   Version space
   Understanding optimization through SVM
   Conclusion
6. Building Deep Neural Networks from Scratch
   Structure
   Coding neurons
      A single neuron
      Layer of neurons
   Understanding lists, arrays, tensors, and their operations
      Dot product and vector addition
      Cross-product, transpose, and order
   Understanding neural networks through NumPy
      Neural networks using NumPy
      Processing batch of data
      Creating a multi-layer network
      Dense layers
      Activation functions
   Calculating loss through categorical cross-entropy loss
      Calculating accuracy s
   Conclusion
7. Derivatives, Backpropagation, and Optimizers
   Structure
   Weights Optimization
      Derivatives
      Partial Derivatives
   Backpropagation
   Optimizers: SGD, Adam, and so on
      Gradient-based optimization
      Momentum-based optimization
      RMSProp
      Adam
   Conclusion
8. Understanding Convolution and CNN Architectures
   Structure
   Intricacies of CNN
      Local Patterns and Global Patterns
      Spatial Hierarchies and Abstraction
      Convolution Operation and Feature Maps
      Pooling
      Padding
      Stride
   Introduction to CNN-based Networks
      Understanding the Complete Flow of CNN-based Network
      VGG16
      Inception Module: Naïve and Improved Version
      ResNet
      Other Variants of ResNet
      FractalNet and DenseNet
   Scaling Conv Networks: Efficient Net Architecture
   Different Types of Convolutions
      Depth-Separable Convolution
   Conclusion
9. Understanding Basics of TensorFlow and Keras
   Structure
   A Brief Look at Keras
   Understanding TensorFlow Internals
      Tensors
      Computational Graphs
      Operations (Ops)
      Automatic Differentiation
      Sessions
      Variables
      Eager Execution
      Layers and Models (Keras)
   TensorFlow vs. PyTorch vs. Theano
      TensorFlow vs. PyTorch
      TensorFlow vs. Theano
   TensorFlow: Layers, Activations, and More
      Types of Layers
      Dense Layer (Fully Connected Layer)
      Convolution Layer
      Max Pooling Layer
      Dropout Layer
      Recurrent Layer (LSTM)
      Embedding Layer
      Flatten Layer
      Batch Normalization Layer
      Global Average Pooling Layer
      Upsampling/Transposed Convolution Layer
      Activation Functions
      Optimizers
      Weight Initialization
      Loss Functions
   Multi-Input Single-Output Network with Custom Callbacks
   Conclusion
10. Building End-to-end Image Segmentation Pipeline
   Structure
   Fine-tuning and Interpretability
      Power of Fine-Tuning in Deep Learning
      SHAP - An Intuitive Way to Interpret Machine Learning Models
   Structuring Deep Learning Code
      Project Structure
      Python modules and packages
      Documentation
      Unit testing
      Debugging
      Logging
   Building End-to-end Segmentation Pipeline
      UNet and Attention Gates
      Config
      Dataloader
      Model building
      Understanding Attention block
      Executor
      Utils
      Evaluation
      main
      Conclusion
11. Latest Advancements in AI
   Structure
   Transformers: Improving NLP Using Attention
      Recurrent Neural Network (RNN)
      Long-Short Term Memory (LSTM)
      Self-Attention
      Example to understand the concept:
      Understanding Key, Query, and Value
      Example to understand the concept:
   Transformer Architecture
      ChatGPT/GPT Overview
   Object Detection: Understanding YOLO
      Object Detector Architecture Breakdown
      Backbone, Neck, and Head
      Bag of Freebies (BoF)
      CmBN: Cross-mini-Batch Normalization
      Bag of Specials (BoS)
      Cross-Stage Partial (CSP) Connection
      YOLO A rchitecture S election
      Spatial Pyramid Pooling (SPP)
      PAN Path — Aggregation Block
      Spatial Attention Module (SAM)
   Image Generation: GAN’s and Diffusion models
      Generative Adversarial Networks
      Generative Discriminative models
      Variational Autoencoders
      GANs
      Diffusion Models
      DALL-E 2 Architecture
      The Encoder: Prior Diffusion Model
      The Decoder: GLIDE
   Conclusion
Index

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Physical activities for young people with severe disabilities

دانلود کتاب Fanatics: Power, Identity and Fandom in Football

دانلود کتاب Swimming upstream: parenting girls for resilience in a toxic culture

دانلود کتاب The Number Systems: foundations of algebra and analysis

دانلود کتاب The Extraordinary Cookbook of Scrumptious Tapas: A Collection of the Irresistible Appetizers for Any Occasion