دانلود کتاب Hands-On Transfer Learning with Python Implement Advanced Deep Learning and Neural Network Models Using TensorFlow and Keras (به فارسی: آموزش انتقال دستی با پایتون پیاده‌سازی مدل‌های یادگیری عمیق پیشرفته و شبکه‌های عصبی با استفاده از TensorFlow و Keras) نوشته شده توسط «Dipanjan Sarkar – Raghav Bali – Tamoghna Ghosh»
اطلاعات کتاب آموزش انتقال دستی با پایتون پیاده‌سازی مدل‌های یادگیری عمیق پیشرفته و شبکه‌های عصبی با استفاده از TensorFlow و Keras
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Dipanjan Sarkar – Raghav Bali – Tamoghna Ghosh
زبان: english
فرمت کتاب: EPUB (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
حجم فایل: 46.15 مگابایت
کد کتاب: 1788831306 , 9781788831307
توضیحات کتاب آموزش انتقال دستی با پایتون پیاده‌سازی مدل‌های یادگیری عمیق پیشرفته و شبکه‌های عصبی با استفاده از TensorFlow و Keras
یادگیری عمیق با ارتقای یادگیری تحت نظارت، بدون نظارت و تقویتی به سطح بعدی با استفاده از اکوسیستم پایتون ساده شده است
ویژگی های کلیدی
• ساخت مدل های یادگیری عمیق با اصول یادگیری انتقال در پایتون
• یادگیری انتقال را برای حل مسائل تحقیق در دنیای واقعی اجرا کنید
• انجام عملیات پیچیده مانند نوشتن عنوان تصویر انتقال سبک عصبی
توضیحات کتاب
یادگیری انتقالی یک تکنیک یادگیری ماشینی (ML) است که در آن دانش به دست آمده در طول آموزش مجموعه ای از مسائل را می توان برای حل مشکلات مشابه دیگر مورد استفاده قرار داد.
هدف این کتاب دو جنبه است. در مرحله اول، ما بر پوشش دقیق یادگیری عمیق (DL) و انتقال یادگیری تمرکز می‌کنیم، و این دو را با مفاهیم و مثال‌هایی که به راحتی دنبال می‌شوند مقایسه و مقایسه می‌کنیم. دومین حوزه تمرکز، مثال‌های دنیای واقعی و مشکلات تحقیقاتی با استفاده از TensorFlow، Keras و اکوسیستم پایتون با مثال‌های عملی است.
این کتاب با مفاهیم کلیدی ضروری ML و DL شروع می شود و سپس به تصویر و پوشش معماری های مهم DL مانند شبکه های عصبی کانولوشن (CNN)، شبکه های عصبی عمیق (DNN)، شبکه های عصبی مکرر (RNNs)، حافظه کوتاه مدت طولانی می پردازد. (LSTM) و شبکه های کپسولی. سپس تمرکز ما بر روی انتقال مفاهیم یادگیری مانند فریز کردن مدل، تنظیم دقیق، مدل‌های از پیش آموزش‌دیده از جمله VGG، inception، ResNet و نحوه عملکرد بهتر این سیستم‌ها نسبت به مدل‌های DL با مثال‌های عملی تغییر می‌کند. در فصل های پایانی، ما بر روی بسیاری از مطالعات موردی در دنیای واقعی و مشکلات مرتبط با زمینه هایی مانند بینایی کامپیوتر، تجزیه و تحلیل صوتی و پردازش زبان طبیعی (NLP) تمرکز خواهیم کرد.
در پایان این کتاب، شما قادر خواهید بود که هم DL و هم اصول یادگیری انتقال را در سیستم های خود پیاده سازی کنید.
آنچه خواهید آموخت
• محیط DL خود را با واحد پردازش گرافیکی (GPU) و پشتیبانی Cloud تنظیم کنید
• با مدل های ML و DL به اصول یادگیری انتقالی بپردازید
• معماری های مختلف DL، از جمله CNN، LSTM، و شبکه های کپسولی را کاوش کنید
• درباره نمایش داده ها و شبکه و عملکردهای از دست دادن اطلاعات کسب کنید
• با مدل ها و استراتژی ها در یادگیری انتقالی آشنا شوید
از چالش های بالقوه در ساختن مدل های یادگیری انتقال پیچیده از ابتدا عبور کنید
• مشکلات تحقیق در دنیای واقعی مربوط به بینایی کامپیوتری و تجزیه و تحلیل صوتی را کاوش کنید
• درک کنید که چگونه می توان از یادگیری انتقالی در NLP استفاده کرد
این کتاب برای چه کسانی است
آموزش انتقال دستی با پایتون برای دانشمندان داده، مهندسان یادگیری ماشین، تحلیلگران و توسعه دهندگانی است که به داده ها علاقه مند هستند و از روش های پیشرفته یادگیری انتقال برای حل مشکلات دنیای واقعی استفاده می کنند. مهارت اولیه در یادگیری ماشین و پایتون مورد نیاز است.
Key Features
• Build deep learning models with transfer learning principles in Python
• implement transfer learning to solve real-world research problems
• Perform complex operations such as image captioning neural style transfer
Book Description
Transfer learning is a machine learning (ML) technique where knowledge gained during training a set of problems can be used to solve other similar problems.
The purpose of this book is two-fold; firstly, we focus on detailed coverage of deep learning (DL) and transfer learning, comparing and contrasting the two with easy-to-follow concepts and examples. The second area of focus is real-world examples and research problems using TensorFlow, Keras, and the Python ecosystem with hands-on examples.
The book starts with the key essential concepts of ML and DL, followed by depiction and coverage of important DL architectures such as convolutional neural networks (CNNs), deep neural networks (DNNs), recurrent neural networks (RNNs), long short-term memory (LSTM), and capsule networks. Our focus then shifts to transfer learning concepts, such as model freezing, fine-tuning, pre-trained models including VGG, inception, ResNet, and how these systems perform better than DL models with practical examples. In the concluding chapters, we will focus on a multitude of real-world case studies and problems associated with areas such as computer vision, audio analysis and natural language processing (NLP).
By the end of this book, you will be able to implement both DL and transfer learning principles in your own systems.
What you will learn
• Set up your own DL environment with graphics processing unit (GPU) and Cloud support
• Delve into transfer learning principles with ML and DL models
• Explore various DL architectures, including CNN, LSTM, and capsule networks
• Learn about data and network representation and loss functions
• Get to grips with models and strategies in transfer learning
• Walk through potential challenges in building complex transfer learning models from scratch
• Explore real-world research problems related to computer vision and audio analysis
• Understand how transfer learning can be leveraged in NLP
Who this book is for
Hands-On Transfer Learning with Python is for data scientists, machine learning engineers, analysts and developers with an interest in data and applying state-of-the-art transfer learning methodologies to solve tough real-world problems. Basic proficiency in machine learning and Python is required.
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.