توضیحات
Taking an approach that uses the latest developments in the Python ecosystem, youll first be guided through the Jupyter ecosystem, key visualization libraries and powerful data sanitization techniques before we train our first predictive model. Well explore a variety of approaches to classification like support vector networks, random decision forests and k-nearest neighbours to build out your understanding before we move into more complex territory. Its okay if these terms seem overwhelming; well show you how to put them to work.
Well build upon our classification coverage by taking a quick look at ethical web scraping and interactive visualizations to help you professionally gather and present your analysis. Its after this that we start building out our keystone deep learning application, one that aims to predict the future price of Bitcoin based on historical public data.
By guiding you through a trained neural network, well explore common deep learning network architectures (convolutional, recurrent, generative adversarial) and branch out into deep reinforcement learning before we dive into model optimization and evaluation. Well do all of this whilst working on a production-ready web application that combines Tensorflow and Keras to produce a meaningful user-friendly result, leaving you with all the skills you need to tackle and develop your own real-world deep learning projects confidently and effectively.
————————————————————–
ترجمه ماشینی :
با اتخاذ رویکردی که از آخرین پیشرفتها در اکوسیستم پایتون استفاده میکند، ابتدا از طریق اکوسیستم Jupyter، کتابخانههای تجسم کلیدی و تکنیکهای قدرتمند پاکسازی دادهها قبل از آموزش اولین مدل پیشبینی خود راهنمایی خواهید شد. خوب، انواع رویکردهای طبقهبندی مانند شبکههای بردار پشتیبانی، جنگلهای تصمیم تصادفی و k-نزدیکترین همسایهها را بررسی کنید تا قبل از اینکه به قلمرو پیچیدهتر حرکت کنیم، درک خود را ایجاد کنید. اشکالی ندارد اگر این اصطلاحات بسیار زیاد به نظر می رسند. خوب به شما نشان می دهد که چگونه آنها را به کار ببندید. خوب با نگاهی گذرا به خراش دادن وب اخلاقی و تجسمهای تعاملی، بر اساس پوشش طبقهبندی ما ایجاد کنید تا به شما در جمعآوری و ارائه تحلیل حرفهای کمک کند. پس از این است که ما شروع به ساختن برنامه یادگیری عمیق کیستون خود می کنیم، برنامه ای که هدف آن پیش بینی قیمت آینده بیت کوین بر اساس داده های عمومی تاریخی است. \ با راهنمایی شما از طریق یک شبکه عصبی آموزش دیده، معماری های رایج شبکه های یادگیری عمیق (کانولوشنال، مکرر، حریف مولد) را به خوبی کاوش کنید و قبل از اینکه به بهینه سازی و ارزیابی مدل بپردازیم، به یادگیری تقویتی عمیق منشعب شوید. خوب همه این کارها را در حالی انجام دهید که روی یک برنامه وب آماده تولید کار می کنید که Tensorflow و Keras را برای ایجاد یک نتیجه کاربرپسند معنی دار ترکیب می کند، و شما را با تمام مهارت هایی که برای مقابله و توسعه پروژه های یادگیری عمیق در دنیای واقعی خود با اعتماد به نفس نیاز دارید، ارائه می دهد. به طور موثر
tag : دانلود کتاب آموزش عمیق کاربردی با پایتون , Download آموزش عمیق کاربردی با پایتون , دانلود آموزش عمیق کاربردی با پایتون , Download Applied Deep Learning with Python Book , آموزش عمیق کاربردی با پایتون دانلود , buy آموزش عمیق کاربردی با پایتون , خرید کتاب آموزش عمیق کاربردی با پایتون , دانلود کتاب Applied Deep Learning with Python , کتاب Applied Deep Learning with Python , دانلود Applied Deep Learning with Python , خرید Applied Deep Learning with Python , خرید کتاب Applied Deep Learning with Python ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.