دانلود کتاب Learning Deep Learning: Theory and Practice of Neural Networks, Computer Vision, Natural Language Processing, and Transformers Using TensorFlow (به فارسی: یادگیری عمیق یادگیری: تئوری و عمل شبکه های عصبی، بینایی کامپیوتری، پردازش زبان طبیعی و ترانسفورماتورها با استفاده از TensorFlow) نوشته شده توسط «Magnus Ekman»
اطلاعات کتاب یادگیری عمیق یادگیری: تئوری و عمل شبکه های عصبی، بینایی کامپیوتری، پردازش زبان طبیعی و ترانسفورماتورها با استفاده از TensorFlow
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Addison-Wesley Professional
نویسنده: Magnus Ekman
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2021
تعداد صفحه: 752 / 747
حجم فایل: 8.25 مگابایت
کد کتاب: 0137470355 , 9780137470358
نوبت چاپ: 1
توضیحات کتاب یادگیری عمیق یادگیری: تئوری و عمل شبکه های عصبی، بینایی کامپیوتری، پردازش زبان طبیعی و ترانسفورماتورها با استفاده از TensorFlow
راهنمای تمام رنگی انویدیا برای یادگیری عمیق: همه آنچه برای شروع و به دست آوردن نتیجه نیاز دارید
“برای اینکه همه بتوانند بخشی از این انقلاب تاریخی باشند، نیازمند دموکراتیزه کردن دانش و منابع هوش مصنوعی است. این کتاب برای دستیابی به این اهداف عالی به موقع و مرتبط است.»
— از پیش گفتار دکتر Anima Anandkumar، پروفسور برن، Caltech، و مدیر تحقیقات ML، NVIDIA
“Ekman از یک تکنیک یادگیری استفاده می کند که در تجربه ما ثابت کرده است که برای موفقیت بسیار مهم است. خواننده به استفاده از تکنیک‌های DL در عمل فکر کند. رویکرد مستقیم او طراوت‌بخش است و به خواننده اجازه می‌دهد تا در مورد اینکه DL هنوز ما را به کجا می‌برد، رویاپردازی کند.”
— از پیشگفتار دکتر کریگ کلاوسون، مدیر موسسه یادگیری عمیق انویدیا
یادگیری عمیق (DL) جزء کلیدی پیشرفت های هیجان انگیز امروزی در یادگیری ماشینی و هوش مصنوعی است. یادگیری عمیق یک راهنمای کامل برای DL است. این کتاب که مفاهیم اصلی و تکنیک‌های برنامه‌نویسی عملی مورد نیاز برای موفقیت را روشن می‌کند، برای توسعه‌دهندگان، دانشمندان داده، تحلیل‌گران و سایرین ایده‌آل است – از جمله کسانی که قبلاً تجربه یادگیری ماشینی یا آماری ندارند.
بعد از آن. مگنوس اکمن با معرفی بلوک‌های ساختمانی ضروری شبکه‌های عصبی عمیق، مانند نورون‌های مصنوعی و لایه‌های کاملاً متصل، کانولوشنال و تکراری، نحوه استفاده از آنها را برای ساخت معماری‌های پیشرفته از جمله ترانسفورماتور نشان می‌دهد. او توضیح می دهد که چگونه از این مفاهیم برای ساخت شبکه های مدرن برای بینایی کامپیوتری و پردازش زبان طبیعی (NLP)، از جمله Mask R-CNN، GPT و BERT استفاده می شود. و او توضیح می دهد که چگونه یک مترجم زبان طبیعی و یک سیستم توصیف زبان طبیعی تصاویر را تولید می کند.
در سرتاسر، اکمن با استفاده از TensorFlow با Keras، نمونه های کد مختصر و مشروح ارائه می کند. نمونه‌های مربوط به PyTorch به صورت آنلاین ارائه شده‌اند، و این کتاب به این ترتیب دو کتابخانه غالب Python برای DL مورد استفاده در صنعت و دانشگاه را پوشش می‌دهد. او با مقدمه‌ای بر جستجوی معماری عصبی (NAS)، بررسی مسائل اخلاقی مهم و ارائه منابع برای یادگیری بیشتر به پایان می‌رسد.
- کاوش و تسلط بر مفاهیم اصلی: پرسپترون‌ها، یادگیری مبتنی بر گرادیان، نورون‌های سیگموئید، و انتشار برگشتی
- ببینید چگونه چارچوب‌های DL توسعه شبکه‌های عصبی پیچیده‌تر و مفیدتر را آسان‌تر می‌کنند
- کشف کنید که چگونه شبکه‌های عصبی کانولوشن (CNN) طبقه‌بندی و تجزیه و تحلیل تصویر را متحول می‌کنند
- شبکه‌های عصبی بازگشتی (RNN) و حافظه کوتاه‌مدت بلند مدت (LSTM) را روی متن و سایر توالی‌های با طول متغیر اعمال کنید
- NLP اصلی را با شبکه‌های دنباله به دنباله و معماری ترانسفورماتور
- ساخت برنامه های کاربردی برای ترجمه به زبان طبیعی و شرح تصاویر
اختراع GPU توسط NVIDIA جرقه ای در بازار بازی های رایانه های شخصی ایجاد کرد. کار پیشگام این شرکت در محاسبات سریع – شکلی از محاسبات سوپرشارژ در تقاطع گرافیک کامپیوتری، محاسبات با کارایی بالا و هوش مصنوعی – در حال تغییر شکل دادن به صنایع تریلیون دلاری مانند حمل و نقل، مراقبت های بهداشتی و تولید است و به رشد دامن می زند. از بسیاری دیگر.
کتاب خود را برای دسترسی راحت به بارگیری‌ها، به‌روزرسانی‌ها و/یا اصلاحات به محض دردسترس شدن، ثبت کنید. برای جزئیات به داخل کتاب مراجعه کنید.
NVIDIA’s Full-Color Guide to Deep Learning: All You Need to Get Started and Get Results
“To enable everyone to be part of this historic revolution requires the democratization of AI knowledge and resources. This book is timely and relevant towards accomplishing these lofty goals.”
— From the foreword by Dr. Anima Anandkumar, Bren Professor, Caltech, and Director of ML Research, NVIDIA
“Ekman uses a learning technique that in our experience has proven pivotal to success―asking the reader to think about using DL techniques in practice. His straightforward approach is refreshing, and he permits the reader to dream, just a bit, about where DL may yet take us.”
— From the foreword by Dr. Craig Clawson, Director, NVIDIA Deep Learning Institute
Deep learning (DL) is a key component of today’s exciting advances in machine learning and artificial intelligence. Learning Deep Learning is a complete guide to DL. Illuminating both the core concepts and the hands-on programming techniques needed to succeed, this book is ideal for developers, data scientists, analysts, and others–including those with no prior machine learning or statistics experience.
After introducing the essential building blocks of deep neural networks, such as artificial neurons and fully connected, convolutional, and recurrent layers, Magnus Ekman shows how to use them to build advanced architectures, including the Transformer. He describes how these concepts are used to build modern networks for computer vision and natural language processing (NLP), including Mask R-CNN, GPT, and BERT. And he explains how a natural language translator and a system generating natural language descriptions of images.
Throughout, Ekman provides concise, well-annotated code examples using TensorFlow with Keras. Corresponding PyTorch examples are provided online, and the book thereby covers the two dominating Python libraries for DL used in industry and academia. He concludes with an introduction to neural architecture search (NAS), exploring important ethical issues and providing resources for further learning.
- Explore and master core concepts: perceptrons, gradient-based learning, sigmoid neurons, and back propagation
- See how DL frameworks make it easier to develop more complicated and useful neural networks
- Discover how convolutional neural networks (CNNs) revolutionize image classification and analysis
- Apply recurrent neural networks (RNNs) and long short-term memory (LSTM) to text and other variable-length sequences
- Master NLP with sequence-to-sequence networks and the Transformer architecture
- Build applications for natural language translation and image captioning
NVIDIA’s invention of the GPU sparked the PC gaming market. The company’s pioneering work in accelerated computing–a supercharged form of computing at the intersection of computer graphics, high-performance computing, and AI–is reshaping trillion-dollar industries, such as transportation, healthcare, and manufacturing, and fueling the growth of many others.
Register your book for convenient access to downloads, updates, and/or corrections as they become available. See inside book for details.
