توضیحات
Chapter 1: An intuitive look at the fundamentals of deep learning based on practical applications — Chapter 2: A survey of the current state-of-the-art implementations of libraries, tools and packages for deep learning and the case for the Python ecosystem — Chapter 3: A detailed look at Keras [1], which is a high level framework for deep learning suitable for beginners to understand and experiment with deep learning — Chapter 4: A detailed look at Theano [2], which is a low level framework for implementing architectures and algorithms in deep learning from scratch — Chapter 5: A detailed look at Caffe [3], which is highly optimized framework for implementing some of the most popular deep learning architectures (mainly computer vision) — Chapter 6: A brief introduction to GPUs and why they are a game changer for Deep Learning — Chapter 7: A brief introduction to Automatic Differentiation — Chapter 8: A brief introduction to Backpropagation and Stochastic Gradient Descent — Chapter 9: A survey of Deep Learning Architectures — Chapter 10: Advice on running large scale experiments in deep learning and taking models to production. — Chapter 11: Introduction to Tensorflow. — Chapter 12: Introduction to PyTorch. -Chapter 13: Regularization Techniques. — Chapter 14: Training Deep Leaning Models.;Discover the practical aspects of implementing deep-learning solutions using the rich Python ecosystem. This book bridges the gap between the academic state-of-the-art and the industry state-of-the-practice by introducing you to deep learning frameworks such as Keras, Theano, and Caffe. The practicalities of these frameworks is often acquired by practitioners by reading source code, manuals, and posting questions on community forums, which tends to be a slow and a painful process. Deep Learning with Python allows you to ramp up to such practical know-how in a short period of time and focus more on the domain, models, and algorithms. This book briefly covers the mathematical prerequisites and fundamentals of deep learning, making this book a good starting point for software developers who want to get started in deep learning. A brief survey of deep learning architectures is also included. Deep Learning with Python also introduces you to key concepts of automatic differentiation and GPU computation which, while not central to deep learning, are critical when it comes to conducting large scale experiments. You will: Leverage deep learning frameworks in Python namely, Keras, Theano, and Caffe Gain the fundamentals of deep learning with mathematical prerequisites Discover the practical considerations of large scale experiments Take deep learning models to production.
————————————————————–
ترجمه ماشینی :
فصل 1: نگاهی شهودی به اصول یادگیری عمیق بر اساس کاربردهای عملی — فصل 2: بررسی جدیدترین پیاده سازی کتابخانه ها، ابزارها و بسته ها برای یادگیری عمیق و موردی برای اکوسیستم پایتون — فصل 3: نگاهی دقیق به Keras [1]، که یک چارچوب سطح بالا برای یادگیری عمیق مناسب برای مبتدیان برای درک و آزمایش یادگیری عمیق است — فصل 4: نگاهی دقیق به Theano [2]، که یک چارچوب سطح پایین برای پیادهسازی معماریها و الگوریتمها در یادگیری عمیق از ابتدا – فصل 5: نگاهی دقیق به Caffe [3]، که چارچوبی بسیار بهینهشده برای پیادهسازی برخی از محبوبترین معماریهای یادگیری عمیق (عمدتاً بینایی کامپیوتر) است – فصل 6: مقدمه ای مختصر بر GPU ها و چرا آنها یک تغییر دهنده بازی برای یادگیری عمیق هستند — فصل 7: مقدمه ای کوتاه بر تمایز خودکار — فصل 8: مقدمه ای کوتاه بر پس انتشار و نزول گرادیان تصادفی — فصل 9: بررسی معماری های یادگیری عمیق — فصل 10: مشاوره در مورد اجرای آزمایش های مقیاس بزرگ در یادگیری عمیق و ارائه مدل ها به تولید. — فصل 11: مقدمه ای بر تنسورفلو. — فصل 12: مقدمه ای بر PyTorch. -فصل 13: تکنیک های منظم سازی. — فصل 14: آموزش مدلهای گرایش عمیق؛ جنبههای عملی پیادهسازی راهحلهای یادگیری عمیق با استفاده از اکوسیستم غنی پایتون را کشف کنید. این کتاب با آشنا کردن شما با چارچوبهای یادگیری عمیق مانند Keras، Theano و Caffe، شکاف بین پیشرفتهای آکادمیک و پیشرفتهترین صنعت را پر میکند. عملی بودن این چارچوبها اغلب با خواندن کد منبع، راهنماها و ارسال سؤالات در انجمنهای انجمن، که روندی کند و دردناک است، توسط پزشکان به دست میآید. یادگیری عمیق با پایتون به شما این امکان را می دهد که در مدت زمان کوتاهی به چنین دانش عملی برسید و بیشتر روی دامنه، مدل ها و الگوریتم ها تمرکز کنید. این کتاب به طور خلاصه پیش نیازهای ریاضی و اصول یادگیری عمیق را پوشش می دهد، و این کتاب را به نقطه شروع خوبی برای توسعه دهندگان نرم افزاری تبدیل می کند که می خواهند یادگیری عمیق را شروع کنند. بررسی مختصری از معماری های یادگیری عمیق نیز گنجانده شده است. یادگیری عمیق با پایتون همچنین شما را با مفاهیم کلیدی تمایز خودکار و محاسبات GPU آشنا میکند که اگرچه برای یادگیری عمیق مرکزی نیستند، اما برای انجام آزمایشهای در مقیاس بزرگ بسیار مهم هستند. شما می توانید: از چارچوب های یادگیری عمیق در پایتون یعنی Keras، Theano و Caffe استفاده کنید. اصول یادگیری عمیق را با پیش نیازهای ریاضی به دست آورید. ملاحظات عملی آزمایش های مقیاس بزرگ را کشف کنید، مدل های یادگیری عمیق را به تولید ببرید.
tag : دانلود کتاب یادگیری عمیق با پایتون: یک مقدمه عملی , Download یادگیری عمیق با پایتون: یک مقدمه عملی , دانلود یادگیری عمیق با پایتون: یک مقدمه عملی , Download Deep Learning with Python: a Hands-on Introduction Book , یادگیری عمیق با پایتون: یک مقدمه عملی دانلود , buy یادگیری عمیق با پایتون: یک مقدمه عملی , خرید کتاب یادگیری عمیق با پایتون: یک مقدمه عملی , دانلود کتاب Deep Learning with Python: a Hands-on Introduction , کتاب Deep Learning with Python: a Hands-on Introduction , دانلود Deep Learning with Python: a Hands-on Introduction , خرید Deep Learning with Python: a Hands-on Introduction , خرید کتاب Deep Learning with Python: a Hands-on Introduction ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.