دانلود کتاب Deep Learning Quick Reference – مرجع سریع یادگیری عمیق

Dive deeper into neural networks and get your models trained, optimized with this quick reference guide

Key Features

• A quick reference to all important deep learning concepts and their implementations
• Essential tips, tricks, and hacks to train a variety of deep learning models such as CNNs, RNNs, LSTMs, and more
• Supplemented with essential mathematics and theory, every chapter provides best practices and safe choices for training and fine-tuning your models in Keras and Tensorflow.

Book Description

Deep learning has become an essential necessity to enter the world of artificial intelligence. With this book deep learning techniques will become more accessible, practical, and relevant to practicing data scientists. It moves deep learning from academia to the real world through practical examples.

You will learn how Tensor Board is used to monitor the training of deep neural networks and solve binary classification problems using deep learning. Readers will then learn to optimize hyperparameters in their deep learning models. The book then takes the readers through the practical implementation of training CNN’s, RNN’s, and LSTM’s with word embeddings and seq2seq models from scratch. Later the book explores advanced topics such as Deep Q Network to solve an autonomous agent problem and how to use two adversarial networks to generate artificial images that appear real. For implementation purposes, we look at popular Python-based deep learning frameworks such as Keras and Tensorflow, Each chapter provides best practices and safe choices to help readers make the right decision while training deep neural networks.

By the end of this book, you will be able to solve real-world problems quickly with deep neural networks.

What you will learn

• Solve regression and classification challenges with TensorFlow and Keras
• Learn to use Tensor Board for monitoring neural networks and its training
• Optimize hyperparameters and safe choices/best practices
• Build CNN’s, RNN’s, and LSTM’s and using word embedding from scratch
• Build and train seq2seq models for machine translation and chat applications.
• Understanding Deep Q networks and how to use one to solve an autonomous agent problem.
• Explore Deep Q Network and address autonomous agent challenges.

Who This Book Is For

If you are a Data Scientist or a Machine Learning expert, then this book is a very useful read in training your advanced machine learning and deep learning models. You can also refer this book if you are stuck in-between the neural network modeling and need immediate assistance in getting accomplishing the task smoothly. Some prior knowledge of Python and tight hold on the basics of machine learning is required.

Table of Contents

1. The Building Blocks of Deep Learning
2. Using Deep Learning To Solve Regression Problems
3. Monitoring Network Training Using Tensor Board
4. Using Deep Learning To Solve Binary Classification Problems
5. Using Keras To Solve MultiClass Classification Problems
6. HyperParameter Optimization
7. Training a CNN From Scratch
8. Transfer Learning with Pretrained CNNs
9. Training an RNN from scratch
10. Training LSTMs with Word Embeddings From Scratch
11. Training Seq2Seq Models
12. Using Deep Reinforcement Learning
13. Deep Convolutional Generative Adversarial Networks

عمیق‌تر در شبکه‌های عصبی شیرجه بزنید و مدل‌های خود را آموزش ببینید، با این راهنمای مرجع سریع بهینه‌سازی شده است

ویژگی‌های کلیدی

• اشاره ای سریع به تمامی مفاهیم مهم یادگیری عمیق و پیاده سازی آنها
• نکته ها، ترفندها و هک های ضروری برای آموزش انواع مدل های یادگیری عمیق مانند CNN، RNN، LSTM و موارد دیگر< /li>
• همراه با ریاضیات و تئوری ضروری، هر فصل بهترین شیوه‌ها و انتخاب‌های مطمئن را برای آموزش و تنظیم دقیق مدل‌های شما در Keras و Tensorflow ارائه می‌کند.

توضیحات کتاب< /h3>

یادگیری عمیق به یک ضرورت ضروری برای ورود به دنیای هوش مصنوعی تبدیل شده است. با استفاده از این کتاب، تکنیک‌های یادگیری عمیق برای متخصصان داده در دسترس، کاربردی‌تر و مرتبط‌تر خواهند شد. از طریق مثال‌های عملی، یادگیری عمیق را از دانشگاه به دنیای واقعی منتقل می‌کند.

شما خواهید آموخت که چگونه Tensor Board برای نظارت بر آموزش شبکه‌های عصبی عمیق و حل مسائل طبقه‌بندی باینری با استفاده از یادگیری عمیق استفاده می‌شود. سپس خوانندگان یاد خواهند گرفت که فراپارامترها را در مدل های یادگیری عمیق خود بهینه کنند. این کتاب سپس خوانندگان را از طریق اجرای عملی آموزش CNN، RNN و LSTM با جاسازی کلمه و مدل‌های seq2seq از ابتدا می‌برد. بعداً این کتاب موضوعات پیشرفته‌ای مانند Deep Q Network را برای حل یک مشکل عامل مستقل و نحوه استفاده از دو شبکه متخاصم برای تولید تصاویر مصنوعی که واقعی به نظر می‌رسد را بررسی می‌کند. برای اهداف پیاده‌سازی، ما به چارچوب‌های یادگیری عمیق مبتنی بر پایتون مانند Keras و Tensorflow نگاه می‌کنیم، هر فصل بهترین شیوه‌ها و انتخاب‌های ایمن را برای کمک به خوانندگان در تصمیم‌گیری درست در حین آموزش شبکه‌های عصبی عمیق ارائه می‌کند.

توسط توسط در پایان این کتاب، شما قادر خواهید بود مسائل دنیای واقعی را به سرعت با شبکه های عصبی عمیق حل کنید.

آنچه خواهید آموخت

• حل چالش های رگرسیون و طبقه بندی با TensorFlow و Keras
• یاد بگیرید که از Tensor Board برای نظارت بر شبکه های عصبی و آموزش آن استفاده کنید
• بهینه سازی فراپارامترها و انتخاب های ایمن/بهترین شیوه ها
• ساخت CNN ، RNN و LSTM و استفاده از جاسازی کلمه از ابتدا
• ساخت و آموزش مدل‌های seq2seq برای ترجمه ماشینی و برنامه‌های چت.
• درک شبکه‌های Deep Q و نحوه استفاده از آن برای حل کردن یک مشکل عامل مستقل.
• شبکه Q Deep را کاوش کنید و به چالش‌های عامل مستقل رسیدگی کنید.

این کتاب برای چه کسی است

اگر می‌خواهید یک دانشمند داده یا یک متخصص یادگیری ماشین هستید، پس این کتاب خواندنی بسیار مفیدی برای آموزش مدل های یادگیری ماشینی پیشرفته و یادگیری عمیق شما است. همچنین اگر در بین مدل‌سازی شبکه عصبی گیر کرده‌اید و برای انجام هموار کار به کمک فوری نیاز دارید، می‌توانید این کتاب را ارجاع دهید. مقداری دانش قبلی در مورد پایتون و رعایت اصول اولیه یادگیری ماشین مورد نیاز است.

فهرست محتوا

1. بلوک‌های سازنده یادگیری عمیق
2. استفاده از یادگیری عمیق برای حل مسائل رگرسیون
3. نظارت آموزش شبکه با استفاده از برد تانسور
4. استفاده از یادگیری عمیق برای حل مسائل طبقه بندی باینری
5. استفاده از Keras برای حل مسائل طبقه بندی MultiClass
6. بهینه سازی HyperParameter
7. آموزش CNN از ابتدا
8. انتقال یادگیری با CNN های از قبل آموزش دیده
9. آموزش یک RNN از ابتدا
10. آموزش LSTM با جاسازی کلمه از ابتدا
11. آموزش مدل‌های Seq2Seq
12. استفاده از یادگیری تقویتی عمیق
13. شبکه های متخاصم مولد عمیق