دانلود کتاب The Deep Learning with Keras Workshop: Learn how to define and train neural network models with just a few lines of code (به فارسی: کارگاه آموزشی عمیق با کراس: یاد بگیرید چگونه مدل های شبکه عصبی را تنها با چند خط کد تعریف و آموزش دهید.) نوشته شده توسط «Matthew Moocarme – Mahla Abdolahnejad – Ritesh Bhagwat»
اطلاعات کتاب کارگاه آموزشی عمیق با کراس: یاد بگیرید چگونه مدل های شبکه عصبی را تنها با چند خط کد تعریف و آموزش دهید.
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Matthew Moocarme – Mahla Abdolahnejad – Ritesh Bhagwat
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2020
تعداد صفحه: 496 / 495
حجم فایل: 13.67 مگابایت
کد کتاب: 1800562969 , 9781800562967
توضیحات کتاب کارگاه آموزشی عمیق با کراس: یاد بگیرید چگونه مدل های شبکه عصبی را تنها با چند خط کد تعریف و آموزش دهید.
دریابید که چگونه از Keras استفاده کنید، کتابخانه قدرتمند و با استفاده آسان پایتون منبع باز برای توسعه و ارزیابی مدل‌های یادگیری عمیق
ویژگی‌های کلیدی
- در دست گرفتن با معیارهای مختلف ارزیابی مدل، از جمله حساسیت، ویژگی، و نمرات AUC
- مفاهیم پیشرفته مانند حافظه متوالی و مدل سازی متوالی را کاوش کنید
- مهارت های خود را با توسعه در دنیای واقعی، پخش تصاویر، و بررسی دانش
توضیحات کتاب
تجارب جدید می تواند ترسناک باشد، اما نه این! این راهنمای مبتدی برای یادگیری عمیق اینجاست تا به شما کمک کند یادگیری عمیق را از ابتدا با Keras کشف کنید و در راه آموزش اولین شبکه های عصبی خود باشید.
آنچه Keras را از سایر چارچوب های یادگیری عمیق متمایز می کند، سادگی آن است. Keras با بیش از دویست هزار کاربر، از هر چارچوب یادگیری عمیق دیگری در صنعت و جامعه تحقیقاتی استقبال بیشتری دارد.
کارگاه آموزشی عمیق با Keras با آشنایی شما با مفاهیم اساسی یادگیری ماشین با استفاده از بسته scikit-learn آغاز می شود. پس از یادگیری نحوه انجام تبدیل های خطی که برای ساخت شبکه های عصبی ضروری هستند، اولین شبکه عصبی خود را با کتابخانه Keras خواهید ساخت. همانطور که پیشرفت می کنید، یاد می گیرید که چگونه شبکه های عصبی چند لایه بسازید و تشخیص دهید که چه زمانی مدل شما با داده های آموزشی سازگاری ندارد یا بیش از حد مناسب است. با کمک تمرین‌های عملی، یاد خواهید گرفت که از تکنیک‌های اعتبارسنجی متقابل برای ارزیابی مدل‌های خود استفاده کنید و سپس ابرپارامترهای بهینه را برای تنظیم دقیق عملکرد آنها انتخاب کنید. در نهایت، شبکه های عصبی مکرر را کاوش خواهید کرد و یاد خواهید گرفت که چگونه آنها را برای پیش بینی مقادیر در داده های متوالی آموزش دهید.
در پایان این کتاب، مهارت‌هایی را که برای آموزش مدل‌های شبکه عصبی خود به آن نیاز دارید، توسعه خواهید داد.
آنچه یاد خواهید گرفت
- درباره این موضوع اطلاعاتی به دست آورید. اصول شبکه های عصبی
- درک محدودیت های یادگیری ماشین و تفاوت آن با یادگیری عمیق
- ساخت طبقه بندی تصویر با شبکه های عصبی کانولوشن
- ارزیابی، تغییر دادن و مدل‌های خود را با تکنیک‌هایی مانند اعتبارسنجی متقاطع بهبود دهید
- برای شناسایی الگوهای داده‌ها و انجام پیش‌بینی مدل‌های پیش‌بینی ایجاد کنید
- بهبود دقت مدل با L1، L2، و منظم‌سازی ترک تحصیل
این کتاب برای چه کسی است
اگر اصول اولیه علم داده و یادگیری ماشین را می‌دانید و می‌خواهید با فناوری‌های پیشرفته یادگیری ماشین مانند شبکه‌های عصبی مصنوعی و یادگیری عمیق شروع کنید، این کتاب برای شما مناسب است. برای درک موثرتر مفاهیم توضیح داده شده در این کتاب یادگیری عمیق، تجربه قبلی در برنامه نویسی پایتون و آشنایی با آمار و رگرسیون لجستیک ضروری است.
فهرست مطالب
- مقدمه ای بر یادگیری ماشین با Keras
- یادگیری ماشین در مقابل یادگیری عمیق
- یادگیری عمیق با Keras
- ارزیابی مدل خود با اعتبارسنجی متقاطع با استفاده از کراس راپر
- بهبود دقت مدل
- ارزیابی مدل
- دید کامپیوتر با شبکه‌های عصبی کانولوشن
- مدل‌های آموزش انتقالی و از پیش آموزش‌دیده
- مدل‌سازی متوالی با شبکه‌های عصبی تکراری
li>
Discover how to leverage Keras, the powerful and easy-to-use open source Python library for developing and evaluating deep learning models
Key Features
- Get to grips with various model evaluation metrics, including sensitivity, specificity, and AUC scores
- Explore advanced concepts such as sequential memory and sequential modeling
- Reinforce your skills with real-world development, screencasts, and knowledge checks
Book Description
New experiences can be intimidating, but not this one! This beginner’s guide to deep learning is here to help you explore deep learning from scratch with Keras, and be on your way to training your first ever neural networks.
What sets Keras apart from other deep learning frameworks is its simplicity. With over two hundred thousand users, Keras has a stronger adoption in industry and the research community than any other deep learning framework.
The Deep Learning with Keras Workshop starts by introducing you to the fundamental concepts of machine learning using the scikit-learn package. After learning how to perform the linear transformations that are necessary for building neural networks, you’ll build your first neural network with the Keras library. As you advance, you’ll learn how to build multi-layer neural networks and recognize when your model is underfitting or overfitting to the training data. With the help of practical exercises, you’ll learn to use cross-validation techniques to evaluate your models and then choose the optimal hyperparameters to fine-tune their performance. Finally, you’ll explore recurrent neural networks and learn how to train them to predict values in sequential data.
By the end of this book, you’ll have developed the skills you need to confidently train your own neural network models.
What you will learn
- Gain insights into the fundamentals of neural networks
- Understand the limitations of machine learning and how it differs from deep learning
- Build image classifiers with convolutional neural networks
- Evaluate, tweak, and improve your models with techniques such as cross-validation
- Create prediction models to detect data patterns and make predictions
- Improve model accuracy with L1, L2, and dropout regularization
Who this book is for
If you know the basics of data science and machine learning and want to get started with advanced machine learning technologies like artificial neural networks and deep learning, then this is the book for you. To grasp the concepts explained in this deep learning book more effectively, prior experience in Python programming and some familiarity with statistics and logistic regression are a must.
Table of Contents
- Introduction to Machine Learning with Keras
- Machine Learning versus Deep Learning
- Deep Learning with Keras
- Evaluating your Model with Cross-Validation Using Keras Wrappers
- Improving Model Accuracy
- Model Evaluation
- Computer Vision with Convolutional Neural Networks
- Transfer Learning and Pre-Trained Models
- Sequential Modeling with Recurrent Neural Networks
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.