دانلود کتاب Hands-On Deep Learning Architectures with Python: Create deep neural networks to solve computational problems using TensorFlow and Keras (به فارسی: معماری های آموزش عمیق دستی با پایتون: ایجاد شبکه های عصبی عمیق برای حل مسائل محاسباتی با استفاده از TensorFlow و Keras) نوشته شده توسط «Yuxi (Hayden) Liu – Saransh Mehta»
اطلاعات کتاب معماری های آموزش عمیق دستی با پایتون: ایجاد شبکه های عصبی عمیق برای حل مسائل محاسباتی با استفاده از TensorFlow و Keras
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Yuxi (Hayden) Liu – Saransh Mehta
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 316 / 303
حجم فایل: 21.88 مگابایت
کد کتاب: 1788998081 , 9781788998086
توضیحات کتاب معماری های آموزش عمیق دستی با پایتون: ایجاد شبکه های عصبی عمیق برای حل مسائل محاسباتی با استفاده از TensorFlow و Keras
مفاهیم، ابزارها و تکنیک‌ها برای کشف معماری‌ها و روش‌های یادگیری عمیق
ویژگی‌های کلیدی
- کاوش معماری‌های یادگیری عمیق پیشرفته با استفاده از مجموعه داده‌ها و چارچوب‌های مختلف
- معماری های عمیق را برای مدل های شبکه عصبی مانند CNN، RNN، GAN و بسیاری دیگر پیاده سازی کنید
- کشف الگوهای طراحی و چالش های مختلف برای معماری های مختلف یادگیری عمیق
توضیح کتاب <p معماری های یادگیری عمیق از عملیات غیرخطی چند سطحی تشکیل شده اند که انتزاعات سطح بالا را نشان می دهند. این به شما امکان می دهد تا بازنمایی ویژگی های مفید را از داده ها یاد بگیرید. این کتاب به شما کمک می کند تا معماری های یادگیری عمیق را برای حل مشکلات مختلف تحقیقاتی یادگیری عمیق یاد بگیرید و پیاده سازی کنید.
Hands-On Deep Learning Architectures با پایتون، الگوریتم های یادگیری ضروری مورد استفاده برای معماری های عمیق و کم عمق را توضیح می دهد. این کتاب با پیاده سازی ها و ایده های عملی برای کمک به شما در ساخت سیستم های هوش مصنوعی کارآمد (AI)، به شما کمک می کند یاد بگیرید که چگونه شبکه های عصبی نقش عمده ای در ساخت معماری های عمیق دارند. معماری های مختلف یادگیری عمیق (مانند AlexNet، VGG Net، GoogleNet) را با کدها و نمودارهایی که به راحتی قابل پیگیری هستند، درک خواهید کرد. علاوه بر این، این کتاب همچنین شما را در ساخت و آموزش معماری‌های عمیق مختلف مانند مکانیزم بولتزمن، رمزگذارهای خودکار، شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی مکرر (RNN)، پردازش زبان طبیعی (NLP)، GAN و بیشتر – همه با پیاده سازی های عملی.
در پایان این کتاب، می‌توانید مدل‌های عمیق را با استفاده از چارچوب‌ها و مجموعه‌های داده محبوب با الگوهای طراحی مورد نیاز برای هر معماری بسازید. شما برای کشف پتانسیل معماری های عمیق در دنیای امروز آماده خواهید بود.
آنچه یاد خواهید گرفت
- CNN ها، RNN ها و سایر معماری های رایج مورد استفاده را با پایتون پیاده سازی کنید
- معماری ها را کاوش کنید مانند VGGNet، AlexNet، و GoogLeNet
- ساخت معماری های یادگیری عمیق برای برنامه های هوش مصنوعی مانند تشخیص چهره و تصویر، تشخیص تقلب و بسیاری موارد دیگر
- درک معماری و کاربردهای ماشین های بولتزمن و رمزگذارهای خودکار با مثال های عینی
- بر مفاهیم هوش مصنوعی و شبکه عصبی مسلط شوید و آنها را در معماری خود به کار ببرید
- معماری های یادگیری عمیق را برای سیستم های موبایل و جاسازی شده درک کنید
چه کسی این کتاب برای
اگر دانشمند داده، توسعه‌دهنده/مهندس یادگیری ماشین، یا متخصص یادگیری عمیق هستید، یا در مورد هوش مصنوعی کنجکاو هستید و می‌خواهید دانش خود را در مورد معماری‌های مختلف یادگیری عمیق ارتقا دهید، این کتاب برای شما جذاب خواهد بود. از شما انتظار می رود که اطلاعاتی در مورد آمار و الگوریتم های یادگیری ماشین داشته باشید تا بهترین بهره را از این کتاب ببرید
فهرست مطالب
- شروع به یادگیری عمیق
- شبکه های پیشخور عمیق
- ماشین‌ها و رمزگذارهای خودکار بولتزمن محدود
- معماری CNN
- شبکه‌های عصبی موبایل و CNN
- شبکه‌های عصبی تکراری
- تولید شبکه های متخاصم
- روندهای جدید یادگیری عمیق
Concepts, tools, and techniques to explore deep learning architectures and methodologies
Key Features
- Explore advanced deep learning architectures using various datasets and frameworks
- Implement deep architectures for neural network models such as CNN, RNN, GAN, and many more
- Discover design patterns and different challenges for various deep learning architectures
Book Description
Deep learning architectures are composed of multilevel nonlinear operations that represent high-level abstractions; this allows you to learn useful feature representations from the data. This book will help you learn and implement deep learning architectures to resolve various deep learning research problems.
Hands-On Deep Learning Architectures with Python explains the essential learning algorithms used for deep and shallow architectures. Packed with practical implementations and ideas to help you build efficient artificial intelligence systems (AI), this book will help you learn how neural networks play a major role in building deep architectures. You will understand various deep learning architectures (such as AlexNet, VGG Net, GoogleNet) with easy-to-follow code and diagrams. In addition to this, the book will also guide you in building and training various deep architectures such as the Boltzmann mechanism, autoencoders, convolutional neural networks (CNNs), recurrent neural networks (RNNs), natural language processing (NLP), GAN, and more―all with practical implementations.
By the end of this book, you will be able to construct deep models using popular frameworks and datasets with the required design patterns for each architecture. You will be ready to explore the potential of deep architectures in today’s world.
What you will learn
- Implement CNNs, RNNs, and other commonly used architectures with Python
- Explore architectures such as VGGNet, AlexNet, and GoogLeNet
- Build deep learning architectures for AI applications such as face and image recognition, fraud detection, and many more
- Understand the architectures and applications of Boltzmann machines and autoencoders with concrete examples
- Master artificial intelligence and neural network concepts and apply them to your architecture
- Understand deep learning architectures for mobile and embedded systems
Who this book is for
If you’re a data scientist, machine learning developer/engineer, or deep learning practitioner, or are curious about AI and want to upgrade your knowledge of various deep learning architectures, this book will appeal to you. You are expected to have some knowledge of statistics and machine learning algorithms to get the best out of this book
Table of Contents
- Getting Started with Deep Learning
- Deep Feedforward Networks
- Restricted Boltzmann Machines and Autoencoders
- CNN Architecture
- Mobile Neural Networks and CNNs
- Recurrent Neural Networks
- Generative Adversarial Networks
- New Trends of Deep Learning
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.