توضیحات
Key Features Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games See how various deep-learning models and practical use-cases can be implemented using Keras A practical, hands-on guide with real-world examples to give you a strong foundation in Keras Book DescriptionThis book starts by introducing you to supervised learning algorithms such as simple linear regression, the classical multilayer perceptron and more sophisticated deep convolutional networks. You will also explore image processing with recognition of hand written digit images, classification of images into different categories, and advanced objects recognition with related image annotations. An example of identification of salient points for face detection is also provided. Next you will be introduced to Recurrent Networks, which are optimized for processing sequence data such as text, audio or time series. Following that, you will learn about unsupervised learning algorithms such as Autoencoders and the very popular Generative Adversarial Networks (GAN). You will also explore non-traditional uses of neural networks as Style Transfer.Finally, you will look at Reinforcement Learning and its application to AI game playing, another popular direction of research and application of neural networks.What you will learn Optimize step-by-step functions on a large neural network using the Backpropagation Algorithm Fine-tune a neural network to improve the quality of results Use deep learning for image and audio processing Use Recursive Neural Tensor Networks (RNTNs) to outperform standard word embedding in special cases Identify problems for which Recurrent Neural Network (RNN) solutions are suitable Explore the process required to implement Autoencoders Evolve a deep neural network using reinforcement learning About the AuthorAntonio Gulliis a software executive and business leader with a passion for establishing and managing global technological talent, innovation, and execution. He is an expert in search engines, online services, machine learning, information retrieval, analytics, and cloud computing. So far, he has been lucky enough to gain professional experience in four different countries in Europe and managed people in six different countries in Europe and America. Antonio served as CEO, GM, CTO, VP, director, and site lead in multiple fields spanning from publishing (Elsevier) to consumer internet (Ask.com and Tiscali) and high-tech R&D (Microsoft and Google).Sujit Palis a technology research director at Elsevier Labs, working on building intelligent systems around research content and metadata. His primary interests are information retrieval, ontologies, natural language processing, machine learning, and distributed processing. He is currently working on image classification and similarity using deep learning models. Prior to this, he worked in the consumer healthcare industry, where he helped build ontology-backed semantic search, contextual advertising, and EMR data processing platforms. He writes about technology on his blog at Salmon Run.Table of Contents Neural Networks Foundations Keras Installation and API Deep Learning with ConvNets Generative Adversarial Networks and WaveNet Word Embeddings Recurrent Neural Network RNN Additional Deep Learning Models AI Game Playing Conc
————————————————————–
ترجمه ماشینی :
ویژگیهای کلیدی الگوریتمهای مختلف یادگیری عمیق را در Keras پیادهسازی کنید و ببینید چگونه میتوان از یادگیری عمیق در بازیها استفاده کرد. برای ارائه پایه ای قوی در کتاب Keras توضیحات این کتاب با معرفی الگوریتم های یادگیری نظارت شده مانند رگرسیون خطی ساده، پرسپترون چند لایه کلاسیک و شبکه های پیچیده تر پیچیده تر شروع می شود. همچنین پردازش تصویر را با تشخیص تصاویر رقمی دست نوشته، طبقه بندی تصاویر به دسته های مختلف و تشخیص پیشرفته اشیاء با حاشیه نویسی های تصویری مرتبط بررسی خواهید کرد. نمونه ای از شناسایی نقاط برجسته برای تشخیص چهره نیز ارائه شده است. در ادامه با شبکههای تکراری آشنا میشوید که برای پردازش دادههای توالی مانند متن، صدا یا سریهای زمانی بهینه شدهاند. پس از آن، با الگوریتم های یادگیری بدون نظارت مانند Autoencoder و شبکه های بسیار محبوب Generative Adversarial Networks (GAN) آشنا خواهید شد. همچنین کاربردهای غیر سنتی شبکه های عصبی را به عنوان Style Transfer کاوش خواهید کرد. در نهایت، Reinforcement Learning و کاربرد آن در بازی های هوش مصنوعی، یکی دیگر از مسیرهای محبوب تحقیق و کاربرد شبکه های عصبی را بررسی خواهید کرد. آنچه را که بهینه سازی گام به گام یاد خواهید گرفت. توابع مرحله ای در یک شبکه عصبی بزرگ با استفاده از الگوریتم پس انتشار تنظیم دقیق شبکه عصبی برای بهبود کیفیت نتایج استفاده از یادگیری عمیق برای پردازش تصویر و صدا استفاده از شبکه های تانسور عصبی بازگشتی (RNTN) برای عملکرد بهتر از جاسازی کلمه استاندارد در موارد خاص شناسایی مشکلات راهحلهای شبکه عصبی بازگشتی (RNN) برای آنها مناسب است. کاوش فرآیند مورد نیاز برای پیادهسازی رمزگذارهای خودکار توسعه یک شبکه عصبی عمیق با استفاده از یادگیری تقویتی درباره نویسنده آنتونیو گالییس، مدیر اجرایی نرمافزار و رهبر تجاری با اشتیاق به ایجاد و مدیریت استعدادهای تکنولوژیک جهانی، نوآوری، و اجرا. او در موتورهای جستجو، خدمات آنلاین، یادگیری ماشینی، بازیابی اطلاعات، تجزیه و تحلیل و رایانش ابری متخصص است. او تا کنون به اندازه کافی خوش شانس بوده که در چهار کشور مختلف اروپا تجربه حرفه ای کسب کرده و در شش کشور مختلف در اروپا و آمریکا افراد مدیریت کرده است. آنتونیو به عنوان مدیر عامل، GM، CTO، معاون، مدیر، و مدیر سایت در زمینه های متعددی از انتشار (Elsevier) تا اینترنت مصرف کننده (Ask.com و Tiscali) و تحقیق و توسعه با فناوری پیشرفته (Microsoft و Google) خدمت کرد. Sujit Palis یک فناوری است. مدیر تحقیقات آزمایشگاههای الزویر، که روی ساختن سیستمهای هوشمند حول محتوای پژوهشی و ابرداده کار میکند. علایق اولیه او بازیابی اطلاعات، هستی شناسی ها، پردازش زبان طبیعی، یادگیری ماشینی و پردازش توزیع شده است. او در حال حاضر بر روی طبقه بندی و تشابه تصاویر با استفاده از مدل های یادگیری عمیق کار می کند. قبل از این، او در صنعت مراقبت های بهداشتی مصرف کننده کار می کرد، جایی که به ساختن جستجوی معنایی مبتنی بر هستی شناسی، تبلیغات متنی و پلت فرم های پردازش داده EMR کمک کرد. او در مورد فناوری در وبلاگ خود در Salmon Run می نویسد. جدول محتواها شبکه های عصبی پایه های نصب Keras و API یاد
tag : دانلود کتاب یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. , Download یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. , دانلود یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. , Download Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games Book , یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. دانلود , buy یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. , خرید کتاب یادگیری عمیق با Keras: الگوریتم های مختلف یادگیری عمیق را در Keras پیاده سازی کنید و ببینید چگونه می توان از یادگیری عمیق در بازی ها استفاده کرد. , دانلود کتاب Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games , کتاب Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games , دانلود Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games , خرید Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games , خرید کتاب Deep Learning with Keras: Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games ,
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.