دانلود کتاب Principles and Labs for Deep Learning – اصول و آزمایشگاه ها برای یادگیری عمیق

توضیحات

Principles and Labs for Deep Learning provides the knowledge and techniques needed to help readers design and develop deep learning models. Deep Learning techniques are introduced through theory, comprehensively illustrated, explained through the TensorFlow source code examples, and analyzed through the visualization of results. The structured methods and labs provided by Dr. Huang and Dr. Le enable readers to become proficient in TensorFlow to build deep Convolutional Neural Networks (CNNs) through custom APIs, high-level Keras APIs, Keras Applications, and TensorFlow Hub. Each chapter has one corresponding Lab with step-by-step instruction to help the reader practice and accomplish a specific learning outcome.

Deep Learning has been successfully applied in diverse fields such as computer vision, audio processing, robotics, natural language processing, bioinformatics and chemistry. Because of the huge scope of knowledge in Deep Learning, a lot of time is required to understand and deploy useful, working applications, hence the importance of this new resource. Both theory lessons and experiments are included in each chapter to introduce the techniques and provide source code examples to practice using them. All Labs for this book are placed on GitHub to facilitate the download. The book is written based on the assumption that the reader knows basic Python for programming and basic Machine Learning.

————————————————————–

ترجمه ماشینی :

اصول و آزمایشگاه های یادگیری عمیق دانش و تکنیک های لازم برای کمک به خوانندگان در طراحی و توسعه مدل های یادگیری عمیق را فراهم می کند. تکنیک های یادگیری عمیق از طریق تئوری معرفی می شوند ، به طور جامع نشان داده می شوند ، از طریق نمونه های کد منبع tensorflow توضیح داده می شوند و از طریق تجسم نتایج تجزیه و تحلیل می شوند. روشها و آزمایشگاههای ساختاری ارائه شده توسط دکتر هوانگ و دکتر لو ، خوانندگان را قادر می سازد تا در Tensorflow برای ساخت شبکه های عصبی عمیق (CNN) از طریق API های سفارشی ، API های سطح بالا ، برنامه های کروس و قطب Tensorflow مهارت پیدا کنند. هر فصل دارای یک آزمایشگاه مربوطه با دستورالعمل گام به گام برای کمک به خواننده و انجام یک نتیجه یادگیری خاص است. ، پردازش زبان طبیعی ، بیوانفورماتیک و شیمی. به دلیل دامنه عظیمی از دانش در یادگیری عمیق ، زمان زیادی برای درک و استقرار برنامه های مفید و کار لازم است ، از این رو اهمیت این منبع جدید. هر دو درس تئوری و آزمایش ها در هر فصل برای معرفی تکنیک ها و ارائه نمونه های کد منبع برای تمرین با استفاده از آنها درج شده اند. تمام آزمایشگاه های این کتاب برای تسهیل بارگیری در GitHub قرار داده شده است. این کتاب بر اساس این فرض نوشته شده است که خواننده پایتون اساسی را برای برنامه نویسی و یادگیری ماشین اساسی می شناسد.