دانلود کتاب Hands-On One-shot Learning with Python: Learn to implement fast and accurate deep learning models with fewer training samples using PyTorch (به فارسی: آموزش تک شات به صورت دستی با پایتون: پیاده سازی مدل های یادگیری عمیق سریع و دقیق با نمونه های آموزشی کمتر با استفاده از PyTorch را بیاموزید.) نوشته شده توسط «Shruti Jadon – Ankush Garg»
اطلاعات کتاب آموزش تک شات به صورت دستی با پایتون: پیاده سازی مدل های یادگیری عمیق سریع و دقیق با نمونه های آموزشی کمتر با استفاده از PyTorch را بیاموزید.
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Shruti Jadon – Ankush Garg
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 156 / 145
حجم فایل: 13.51 مگابایت
کد کتاب: 1838825460 , 9781838825461
توضیحات کتاب آموزش تک شات به صورت دستی با پایتون: پیاده سازی مدل های یادگیری عمیق سریع و دقیق با نمونه های آموزشی کمتر با استفاده از PyTorch را بیاموزید.
با ساخت مدل‌های یادگیری عمیق قدرتمند با استفاده از PyTorch و scikit-learn آشنا شوید
ویژگی‌های کلیدی
- یاد بگیرید که چگونه می‌توانید فرآیند یادگیری عمیق را با یک آموزش شات
- از Python و PyTorch برای ساخت مدل های پیشرفته یادگیری تک شات استفاده کنید
- کاوش در معماری هایی مانند شبکه های سیامی، شبکه های عصبی تقویت شده با حافظه، مدل-آگنوستیک فرایادگیری و یادگیری k-shot متمایز
توضیحات کتاب
یادگیری تک شات یک زمینه تحقیقاتی فعال برای دانشمندانی بوده است که سعی در توسعه یک ماشین شناختی دارد که یادگیری انسان را تقلید می کند. با این کتاب، رویکردهای کلیدی یادگیری تک شات، مانند تکنیک‌های مبتنی بر معیار، مدل‌محور، و مبتنی بر بهینه‌سازی را با کمک مثال‌های عملی کشف خواهید کرد.
آموزش دستی تک شات با پایتون شما را در کاوش و طراحی مدل های یادگیری عمیق راهنمایی می کند که می توانند اطلاعاتی در مورد یک شی از یک یا چند نمونه آموزشی بدست آورند. کتاب با مروری بر یادگیری عمیق و یادگیری تک شات آغاز می شود و سپس شما را با روش های مختلفی که می توانید برای دستیابی به آن استفاده کنید، مانند معماری های یادگیری عمیق و مدل های احتمالی، آشنا می کند. هنگامی که با اصول اصلی آشنا شدید، نمونه های واقعی و پیاده سازی های یادگیری تک شات را با استفاده از PyTorch 1.x در مجموعه داده هایی مانند Omniglot و MiniImageNet کاوش خواهید کرد. در نهایت، روش‌های مبتنی بر مدل‌سازی مولد را بررسی می‌کنید و ملاحظات کلیدی برای ساختن سیستم‌هایی را که هوش سطح انسانی را نشان می‌دهند، کشف خواهید کرد.
در پایان این کتاب، شما با روش های مختلف یادگیری تک و چند شات به خوبی آشنا خواهید شد و می توانید از آنها برای ساختن مدل های یادگیری عمیق خود استفاده کنید.
آنچه یاد خواهید گرفت
- با مفاهیم اساسی یادگیری تک و چند مرحله ای آشنا شوید
- برای یادگیری تک شات با معماری های مختلف یادگیری عمیق کار کنید
- به ترتیب زمان استفاده از یادگیری تک شات و انتقال را درک کنید
- رویکرد شبکه بیزی را برای یادگیری تک شات مطالعه کنید
- رویکردهای یادگیری تک شات را بر اساس معیارها، مدل ها و بهینه سازی پیاده سازی کنید. در PyTorch
- الگوریتم های بهینه سازی مختلف را کشف کنید که به بهبود دقت حتی با حجم کمتر داده کمک می کند
- کاوش در معماری های مختلف یادگیری تک شات بر اساس طبقه بندی و رگرسیون
این کتاب برای چه کسانی است
اگر یک محقق هوش مصنوعی یا یک متخصص یادگیری ماشینی یا یادگیری عمیق هستید که به دنبال کشف یادگیری تک شات هستید، این کتاب برای شما مناسب است. این به شما کمک می کند تا با پیاده سازی تکنیک های مختلف یک شات برای آموزش سریعتر مدل ها شروع کنید. مقداری تجربه برنامه نویسی پایتون برای درک مفاهیم مطرح شده در این کتاب ضروری است.
فهرست مطالب
- مقدمه ای بر یادگیری تک شات
- روش های مبتنی بر متریک
- روش‌های مبتنی بر مدل
- روش‌های مبتنی بر بهینه‌سازی
- روش‌های مبتنی بر مدل‌سازی مولد
- نتیجه‌گیری و سایر رویکردها
Get to grips with building powerful deep learning models using PyTorch and scikit-learn
Key Features
- Learn how you can speed up the deep learning process with one-shot learning
- Use Python and PyTorch to build state-of-the-art one-shot learning models
- Explore architectures such as Siamese networks, memory-augmented neural networks, model-agnostic meta-learning, and discriminative k-shot learning
Book Description
One-shot learning has been an active field of research for scientists trying to develop a cognitive machine that mimics human learning. With this book, you’ll explore key approaches to one-shot learning, such as metrics-based, model-based, and optimization-based techniques, all with the help of practical examples.
Hands-On One-shot Learning with Python will guide you through the exploration and design of deep learning models that can obtain information about an object from one or just a few training samples. The book begins with an overview of deep learning and one-shot learning and then introduces you to the different methods you can use to achieve it, such as deep learning architectures and probabilistic models. Once you’ve got to grips with the core principles, you’ll explore real-world examples and implementations of one-shot learning using PyTorch 1.x on datasets such as Omniglot and MiniImageNet. Finally, you’ll explore generative modeling-based methods and discover the key considerations for building systems that exhibit human-level intelligence.
By the end of this book, you’ll be well-versed with the different one- and few-shot learning methods and be able to use them to build your own deep learning models.
What you will learn
- Get to grips with the fundamental concepts of one- and few-shot learning
- Work with different deep learning architectures for one-shot learning
- Understand when to use one-shot and transfer learning, respectively
- Study the Bayesian network approach for one-shot learning
- Implement one-shot learning approaches based on metrics, models, and optimization in PyTorch
- Discover different optimization algorithms that help to improve accuracy even with smaller volumes of data
- Explore various one-shot learning architectures based on classification and regression
Who this book is for
If you’re an AI researcher or a machine learning or deep learning expert looking to explore one-shot learning, this book is for you. It will help you get started with implementing various one-shot techniques to train models faster. Some Python programming experience is necessary to understand the concepts covered in this book.
Table of Contents
- Introduction to One-shot Learning
- Metrics-Based Methods
- Models-Based Methods
- Optimization-Based Methods
- Generative Modeling-Based Methods
- Conclusion and Other Approaches
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.