دانلود کتاب Deep Learning for Beginners: A Beginner’s Guide to Getting Up and Running with Deep Learning from Scratch Using Python – یادگیری عمیق برای مبتدیان: راهنمای مبتدیان برای بلند شدن و دویدن با یادگیری عمیق از ابتدا با استفاده از پایتون

Implement supervised, unsupervised, and generative deep learning (DL) models using Keras and Dopamine with TensorFlow

Key Features

• Understand the fundamental machine learning concepts useful in deep learning
• Learn the underlying mathematical concepts as you implement deep learning models from scratch
• Explore easy-to-understand examples and use cases that will help you build a solid foundation in DL

Book Description

With information on the web exponentially increasing, it has become more difficult than ever to navigate through everything to find reliable content that will help you get started with deep learning. This book is designed to help you if you’re a beginner looking to work on deep learning and build deep learning models from scratch, and you already have the basic mathematical and programming knowledge required to get started. The book begins with a basic overview of machine learning, guiding you through setting up popular Python frameworks. You will also understand how to prepare data by cleaning and preprocessing it for deep learning, and gradually go on to explore neural networks. A dedicated section will give you insights into the working of neural networks by helping you get hands-on with training single and multiple layers of neurons. Later, you will cover popular neural network architectures such as CNNs, RNNs, AEs, VAEs, and GANs with the help of simple examples, and learn how to build models from scratch. At the end of each chapter, you will find a question and answer section to help you test what you’ve learned through the course of the book. By the end of this book, you’ll be well-versed with deep learning concepts and have the knowledge you need to use specific algorithms with various tools for different tasks.

What you will learn

• Implement recurrent neural networks (RNNs) and long short-term memory (LSTM) for image classification and natural language processing tasks
• Explore the role of convolutional neural networks (CNNs) in computer vision and signal processing
• Discover the ethical implications of deep learning modeling
• Understand the mathematical terminology associated with deep learning
• Code a generative adversarial network (GAN) and a variational autoencoder (VAE) to generate images from a learned latent space
• Implement visualization techniques to compare AEs and VAEs

Who this book is for

This book is for aspiring data scientists and deep learning engineers who want to get started with the fundamentals of deep learning and neural networks. Although no prior knowledge of deep learning or machine learning is required, familiarity with linear algebra and Python programming is necessary to get started.

Table of Contents

1. Introduction to Machine Learning
2. Setup and Introduction to Deep Learning Frameworks
3. Preparing Data
4. Learning from Data
5. Training a Single Neuron
6. Training Multiple Layers of Neurons
7. Autoencoders
8. Deep Autoencoders
9. Variational Autoencoders
10. Restricted Boltzmann Machines
11. Deep and Wide Neural Networks
12. Convolutional Neural Networks
13. Recurrent Neural Networks
14. Generative Adversarial Networks
15. Final Remarks on The Future of Deep Learning

مدل های یادگیری عمیق تحت نظارت، بدون نظارت و مولد (DL) با استفاده از Keras و دوپامین با TensorFlow

ویژگی های کلیدی

• درک مفاهیم اساسی یادگیری ماشینی مفید در یادگیری عمیق
• با پیاده سازی مدل های یادگیری عمیق از ابتدا مفاهیم ریاضی اساسی را بیاموزید
• نمونه‌های قابل فهم و موارد استفاده را کاوش کنید که به شما کمک می‌کند پایه‌ای محکم در DL بسازید

توضیحات کتاب

با افزایش روزافزون اطلاعات در وب، پیمایش در همه چیز برای یافتن محتوای قابل اعتمادی که به شما در شروع یادگیری عمیق کمک می کند دشوارتر از همیشه شده است. این کتاب برای کمک به شما طراحی شده است اگر مبتدی هستید که به دنبال کار بر روی یادگیری عمیق و ساختن مدل های یادگیری عمیق از ابتدا هستید و از قبل دانش ریاضی و برنامه نویسی اولیه مورد نیاز برای شروع را دارید. این کتاب با یک نمای کلی از یادگیری ماشین شروع می شود و شما را در راه اندازی چارچوب های محبوب پایتون راهنمایی می کند. شما همچنین خواهید فهمید که چگونه داده ها را با تمیز کردن و پیش پردازش آنها برای یادگیری عمیق آماده کنید و به تدریج به کاوش شبکه های عصبی بروید. یک بخش اختصاصی به شما بینشی در مورد عملکرد شبکه های عصبی می دهد و به شما کمک می کند تا با آموزش لایه های تک و چند لایه نورون ها عمل کنید. بعداً با کمک مثال‌های ساده، معماری‌های شبکه‌های عصبی محبوب مانند CNN، RNN، AEs، VAE و GAN را پوشش خواهید داد و نحوه ساخت مدل‌ها را از ابتدا یاد خواهید گرفت. در پایان هر فصل، یک بخش پرسش و پاسخ خواهید داشت که به شما کمک می کند آنچه را که در طول دوره کتاب آموخته اید آزمایش کنید. در پایان این کتاب، شما به خوبی با مفاهیم یادگیری عمیق آشنا خواهید شد و دانش لازم برای استفاده از الگوریتم های خاص با ابزارهای مختلف برای کارهای مختلف را خواهید داشت.

آنچه یاد خواهید گرفت

• شبکه های عصبی مکرر (RNN) و حافظه کوتاه مدت (LSTM) را برای طبقه بندی تصویر و وظایف پردازش زبان طبیعی پیاده سازی کنید
• کاوش نقش شبکه‌های عصبی کانولوشنال (CNN) در بینایی کامپیوتری و پردازش سیگنال
• پیام‌های اخلاقی مدل‌سازی یادگیری عمیق را کشف کنید
• درک اصطلاحات ریاضی مرتبط با یادگیری عمیق
• یک شبکه متخاصم مولد (GAN) و یک رمزگذار خودکار متغیر (VAE) را کدگذاری کنید تا تصاویر را از فضای پنهان آموخته شده تولید کنید
• اجرای تکنیک های تجسم برای مقایسه AE و VAE

این کتاب برای چه کسی است

این کتاب برای دانشمندان مشتاق داده و مهندسان یادگیری عمیق است که می خواهند با اصول یادگیری عمیق شروع کنند. و شبکه های عصبی اگرچه هیچ دانش قبلی در مورد یادگیری عمیق یا یادگیری ماشین لازم نیست، اما آشنایی با جبر خطی و برنامه نویسی پایتون برای شروع ضروری است.

فهرست مطالب

1. مقدمه‌ای بر یادگیری ماشینی
2. راه‌اندازی و مقدمه‌ای بر چارچوب‌های یادگیری عمیق
3. آماده‌سازی داده‌ها
4. یادگیری از داده‌ها
5. آموزش یک نورون منفرد
6. آموزش چندین لایه نورون
7. رمزگذارهای خودکار
8. رمزگذارهای خودکار عمیق
9. تغییر رمزگذارهای خودکار
10. ماشین‌های محدود بولتزمن
11. شبکه‌های عصبی عمیق و گسترده
12. شبکه‌های عصبی کانولوشن
13. شبکه‌های عصبی تکراری
14. شبکه های متخاصم مولد
15. اظهارات نهایی در مورد آینده یادگیری عمیق