دانلود کتاب Practical Deep Learning: A Python-Based Introduction – یادگیری عمیق عملی: مقدمه ای مبتنی بر پایتون

This book is for people with no experience with machine learning and who are looking for an intuition-based, hands-on introduction to deep learning using Python.

Deep Learning for Complete Beginners: A Python-Based Introduction is for complete beginners in machine learning. It introduces fundamental concepts such as classes and labels, building a dataset, and what a model is and does before presenting classic machine learning models, neural networks, and modern convolutional neural networks. Experiments in Python–working with leading open-source toolkits and standard datasets–give the reader hands-on experience with each model and help them build intuition about how to transfer the examples in the book to their own projects.

Readers start with an introduction to the Python language and the NumPy extension that is ubiquitous in machine learning. Prominent toolkits, like sklearn and Keras/TensorFlow are used as the backbone to enable readers to focus on the elements of machine learning without the burden of writing implementations from scratch. An entire chapter on evaluating the performance of models gives the reader the knowledge necessary to understand claims on performance and to know which models are working well and which are not. The book culminates by presenting convolutional neural networks as an introduction to modern deep learning. Understanding how these networks work and how they are affected by parameter choices leaves the reader with the core knowledge necessary to dive into the larger, ever-changing world of deep learning.

این کتاب برای افرادی است که هیچ تجربه ای در زمینه یادگیری ماشین ندارند و به دنبال یک مقدمه مبتنی بر شهود و عملی برای یادگیری عمیق با استفاده از پایتون هستند.

.

یادگیری عمیق برای مبتدیان کامل: مقدمه ای مبتنی بر پایتون برای مبتدیان کامل در یادگیری ماشین است. قبل از ارائه مدل های کلاسیک یادگیری ماشین، شبکه های عصبی و شبکه های عصبی کانولوشنال مدرن، مفاهیم اساسی مانند کلاس ها و برچسب ها، ساخت مجموعه داده، و اینکه یک مدل چیست و چه می کند، معرفی می کند. آزمایش‌ها در پایتون – کار با ابزارهای منبع باز پیشرو و مجموعه‌های داده استاندارد – به خواننده تجربه عملی با هر مدل می‌دهد و به آنها کمک می‌کند تا در مورد نحوه انتقال نمونه‌های کتاب به پروژه‌های خود شهودی ایجاد کنند.

خوانندگان با مقدمه ای بر زبان پایتون و پسوند NumPy که در یادگیری ماشین همه جا وجود دارد، شروع می کنند. ابزارهای برجسته مانند sklearn و Keras/TensorFlow به‌عنوان ستون فقرات استفاده می‌شوند تا خوانندگان را قادر می‌سازد تا بر عناصر یادگیری ماشینی تمرکز کنند، بدون اینکه بار پیاده‌سازی را از ابتدا بنویسند. یک فصل کامل در مورد ارزیابی عملکرد مدل‌ها به خواننده دانش لازم را برای درک ادعاهای مربوط به عملکرد و دانستن اینکه کدام مدل‌ها خوب کار می‌کنند و کدام‌ها نیستند، می‌دهد. کتاب با ارائه شبکه های عصبی کانولوشن به عنوان مقدمه ای برای یادگیری عمیق مدرن به اوج خود می رسد. درک نحوه کار این شبکه‌ها و تأثیر انتخاب‌های پارامترها بر آن‌ها، دانش اصلی لازم برای فرو رفتن در دنیای بزرگ‌تر و همیشه در حال تغییر یادگیری عمیق را در اختیار خواننده قرار می‌دهد.