دانلود کتاب Deep Learning with Keras: Implementing deep learning models and neural networks with the power of Python (به فارسی: یادگیری عمیق با Keras: پیاده سازی مدل های یادگیری عمیق و شبکه های عصبی با قدرت پایتون) نوشته شده توسط «Antonio Gulli – Sujit Pal»
اطلاعات کتاب یادگیری عمیق با Keras: پیاده سازی مدل های یادگیری عمیق و شبکه های عصبی با قدرت پایتون
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Antonio Gulli – Sujit Pal
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2017
تعداد صفحه: 318 / 310
حجم فایل: 17.62 مگابایت
کد کتاب: 1787128423 , 9781787128422
نوبت چاپ: 1
توضیحات کتاب یادگیری عمیق با Keras: پیاده سازی مدل های یادگیری عمیق و شبکه های عصبی با قدرت پایتون
برای پیاده سازی مدل های یادگیری عمیق سریع و کارآمد، با اصول Keras آشنا شوید
ویژگی های کلیدی
• الگوریتم های مختلف یادگیری عمیق را در Keras پیاده کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد
• ببینید چگونه می توان مدل های مختلف یادگیری عمیق و موارد کاربردی عملی را با استفاده از Keras پیاده سازی کرد
• یک راهنمای عملی و عملی با مثال‌های واقعی که به شما پایه‌ای قوی در Keras می‌دهد
توضیحات کتاب
این کتاب با معرفی الگوریتم‌های یادگیری تحت نظارت مانند رگرسیون خطی ساده، پرسپترون چندلایه کلاسیک و شبکه‌های پیچیده‌تر پیچیده‌تر شروع می‌شود. همچنین پردازش تصویر را با تشخیص تصاویر رقمی دست نوشته، طبقه بندی تصاویر به دسته های مختلف و تشخیص پیشرفته اشیاء با حاشیه نویسی های تصویری مرتبط بررسی خواهید کرد. نمونه ای از شناسایی نقاط برجسته برای تشخیص چهره نیز ارائه شده است. در ادامه با شبکه‌های تکراری آشنا می‌شوید که برای پردازش داده‌های توالی مانند متن، صدا یا سری‌های زمانی بهینه شده‌اند. پس از آن، با الگوریتم های یادگیری بدون نظارت مانند Autoencoder و شبکه های بسیار محبوب Generative Adversarial Networks (GAN) آشنا خواهید شد. همچنین کاربردهای غیر سنتی شبکه های عصبی را به عنوان انتقال سبک بررسی خواهید کرد.
در نهایت، Reinforcement Learning و کاربرد آن در بازی‌های هوش مصنوعی، یکی دیگر از مسیرهای محبوب تحقیق و کاربرد شبکه‌های عصبی را بررسی خواهید کرد.
آنچه خواهید آموخت
• بهینه سازی توابع گام به گام در یک شبکه عصبی بزرگ با استفاده از الگوریتم پس انتشار
• تنظیم دقیق یک شبکه عصبی برای بهبود کیفیت نتایج
• از یادگیری عمیق برای پردازش تصویر و صدا استفاده کنید
• از شبکه های تانسور عصبی بازگشتی (RNTN) برای عملکرد بهتر از جاسازی کلمه استاندارد در موارد خاص استفاده کنید
• شناسایی مشکلاتی که راه حل های شبکه عصبی بازگشتی (RNN) برای آنها مناسب است
• فرآیند مورد نیاز برای پیاده سازی Autoencoders
را بررسی کنید
• توسعه یک شبکه عصبی عمیق با استفاده از یادگیری تقویتی
Key Features
• Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games
• See how various deep-learning models and practical use-cases can be implemented using Keras
• A practical, hands-on guide with real-world examples to give you a strong foundation in Keras
Book Description
This book starts by introducing you to supervised learning algorithms such as simple linear regression, the classical multilayer perceptron and more sophisticated deep convolutional networks. You will also explore image processing with recognition of hand written digit images, classification of images into different categories, and advanced objects recognition with related image annotations. An example of identification of salient points for face detection is also provided. Next you will be introduced to Recurrent Networks, which are optimized for processing sequence data such as text, audio or time series. Following that, you will learn about unsupervised learning algorithms such as Autoencoders and the very popular Generative Adversarial Networks (GAN). You will also explore non-traditional uses of neural networks as Style Transfer.
Finally, you will look at Reinforcement Learning and its application to AI game playing, another popular direction of research and application of neural networks.
What you will learn
• Optimize step-by-step functions on a large neural network using the Backpropagation Algorithm
• Fine-tune a neural network to improve the quality of results
• Use deep learning for image and audio processing
• Use Recursive Neural Tensor Networks (RNTNs) to outperform standard word embedding in special cases
• Identify problems for which Recurrent Neural Network (RNN) solutions are suitable
• Explore the process required to implement Autoencoders
• Evolve a deep neural network using reinforcement learning
دانلود کتاب «یادگیری عمیق با Keras: پیاده سازی مدل های یادگیری عمیق و شبکه های عصبی با قدرت پایتون»
