توضیحات
Demystify the complexity of machine learning techniques and create evolving, clever solutions to solve your problems Key Features Master supervised, unsupervised, and semi-supervised ML algorithms and their implementation Build deep learning models for object detection, image classification, similarity learning, and more Build, deploy, and scale end-to-end deep neural network models in a production environment Book Description This Learning Path is your complete guide to quickly getting to grips with popular machine learning algorithms. You’ll be introduced to the most widely used algorithms in supervised, unsupervised, and semi-supervised machine learning, and learn how to use them in the best possible manner. Ranging from Bayesian models to the MCMC algorithm to Hidden Markov models, this Learning Path will teach you how to extract features from your dataset and perform dimensionality reduction by making use of Python-based libraries. You’ll bring the use of TensorFlow and Keras to build deep learning models, using concepts such as transfer learning, generative adversarial networks, and deep reinforcement learning. Next, you’ll learn the advanced features of TensorFlow1.x, such as distributed TensorFlow with TF clusters, deploy production models with TensorFlow Serving. You’ll implement different techniques related to object classification, object detection, image segmentation, and more. By the end of this Learning Path, you’ll have obtained in-depth knowledge of TensorFlow, making you the go-to person for solving artificial intelligence problems This Learning Path includes content from the following Packt products: Mastering Machine Learning Algorithms by Giuseppe Bonaccorso Mastering TensorFlow 1.x by Armando Fandango Deep Learning for Computer Vision by Rajalingappaa Shanmugamani What you will learn Explore how an ML model can be trained, optimized, and evaluated Work with Autoencoders and Generative Adversarial Networks Explore the most important Reinforcement Learning techniques Build end-to-end deep learning (CNN, RNN, and Autoencoders) models Who this book is for This Learning Path is for data scientists, machine learning engineers, artificial intelligence engineers who want to delve into complex machine learning algorithms, calibrate models, and improve the predictions of the trained model. You will encounter the advanced intricacies and complex use cases of deep learning and AI. A basic knowledge of programming in Python and some un …
————————————————————–
ترجمه ماشینی :
پیچیدگی تکنیک های یادگیری ماشین و ایجاد راه حل های در حال تحول و هوشمندانه برای حل مشکلات خود ویژگی های کلیدی شما الگوریتم های ML تحت نظارت ، بدون نظارت و نیمه نظارت و اجرای آنها ، مدل های یادگیری عمیق را برای تشخیص شی ، طبقه بندی تصویر ، یادگیری شباهت و ساخت بیشتر ایجاد می کنند. ، استقرار و مقیاس مدل های شبکه عصبی عمیق پایان به پایان در یک محیط تولید توضیحات کتاب این مسیر یادگیری راهنمای کامل شما برای دستیابی سریع به الگوریتم های یادگیری ماشین محبوب است. شما با استفاده از الگوریتم های پرکاربرد در یادگیری ماشین نظارت شده ، بدون نظارت و نیمه تحت نظارت آشنا می شوید و یاد می گیرید که چگونه از آنها به بهترین شکل ممکن استفاده کنید. اعم از مدل های بیزی گرفته تا الگوریتم MCMC گرفته تا مدل های پنهان مارکوف ، این مسیر یادگیری به شما می آموزد که چگونه می توانید ویژگی ها را از مجموعه داده خود استخراج کرده و با استفاده از کتابخانه های مبتنی بر پایتون ، کاهش ابعاد را انجام دهید. شما با استفاده از مفاهیمی مانند یادگیری انتقال ، شبکه های مخالف مولد و یادگیری عمیق ، از Tensorflow و Keras استفاده خواهید کرد. در مرحله بعد ، ویژگی های پیشرفته Tensorflow1.x را یاد خواهید گرفت ، مانند Tensorflow توزیع شده با خوشه TF ، مدل های تولید را با استفاده از Tensorflow ارائه دهید. شما تکنیک های مختلف مربوط به طبقه بندی شی ، تشخیص شی ، تقسیم تصویر و موارد دیگر را پیاده سازی خواهید کرد. با پایان این مسیر یادگیری ، دانش عمیق از Tensorflow به دست آورده اید ، و شما را برای حل مشکلات هوش مصنوعی به شما تبدیل می کند این مسیر یادگیری شامل محتوا از محصولات Packt زیر است: تسلط بر الگوریتم های یادگیری ماشین توسط Giuseppe Bonaccorso Mastering Tensorflow 1.x توسط Armando Fandango Learning Deep برای دید رایانه توسط Rajalingappaa Shanmugamani آنچه را که خواهید آموخت ، کشف کنید که چگونه یک مدل ML می تواند آموزش دیده ، بهینه سازی شود و ارزیابی کار با اتوآنمان ها و شبکه های مخالف ، مهمترین تکنیک های یادگیری را در پایان ساختند. مدل های یادگیری عمیق (CNN ، RNN و AutoEncoders) مدل هایی که این کتاب برای این مسیر یادگیری است برای دانشمندان داده ، مهندسان یادگیری ماشین ، مهندسان هوش مصنوعی که می خواهند به الگوریتم های یادگیری ماشین پیچیده ، مدل های کالیبراسیون و بهبود بخشیدها بپردازند. پیش بینی های مدل آموزش دیده. شما با پیچیدگی های پیشرفته و موارد استفاده پیچیده از یادگیری عمیق و هوش مصنوعی روبرو خواهید شد. دانش اساسی در مورد برنامه نویسی در پایتون و برخی از سازمان ملل …
tag : دانلود کتاب پایتون: راهنمای پیشرفته هوش مصنوعی , Download پایتون: راهنمای پیشرفته هوش مصنوعی , دانلود پایتون: راهنمای پیشرفته هوش مصنوعی , Download Python: Advanced Guide to Artificial Intelligence Book , پایتون: راهنمای پیشرفته هوش مصنوعی دانلود , buy پایتون: راهنمای پیشرفته هوش مصنوعی , خرید کتاب پایتون: راهنمای پیشرفته هوش مصنوعی , دانلود کتاب Python: Advanced Guide to Artificial Intelligence , کتاب Python: Advanced Guide to Artificial Intelligence , دانلود Python: Advanced Guide to Artificial Intelligence , خرید Python: Advanced Guide to Artificial Intelligence , خرید کتاب Python: Advanced Guide to Artificial Intelligence ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.