توضیحات
Key Features Harness the ability to build algorithms for unsupervised data using deep learning concepts with R Master the common problems faced such as overfitting of data, anomalous datasets, image recognition, and performance tuning while building the models Build models relating to neural networks, prediction and deep prediction Book Description
Deep learning is a branch of machine learning based on a set of algorithms that attempt to model high-level abstractions in data by using model architectures. With the superb memory management and the full integration with multi-node big data platforms, the H2O engine has become more and more popular among data scientists in the field of deep learning.
This book will introduce you to the deep learning package H2O with R and help you understand the concepts of deep learning. We will start by setting up important deep learning packages available in R and then move towards building models related to neural networks, prediction, and deep prediction, all of this with the help of real-life examples.
After installing the H2O package, you will learn about prediction algorithms. Moving ahead, concepts such as overfitting data, anomalous data, and deep prediction models are explained. Finally, the book will cover concepts relating to tuning and optimizing models.
What you will learn Set up the R package H2O to train deep learning models Understand the core concepts behind deep learning models Use Autoencoders to identify anomalous data or outliers Predict or classify data automatically using deep neural networks Build generalizable models using regularization to avoid overfitting the training data About the Author
Dr. Joshua F. Wileyis a lecturer at Monash University and a senior partner at Elkhart Group Limited, a statistical consultancy. He earned his PhD from the University of California, Los Angeles. His research focuses on using advanced quantitative methods to understand the complex interplays of psychological, social, and physiological processes in relation to psychological and physical health. In statistics and data science, Joshua focuses on biostatistics and is interested in reproducible research and graphical displays of data and statistical models. Through consulting at Elkhart Group Limited and his former work at the UCLA Statistical Consulting Group, Joshua has helped a wide array of clients, ranging from experienced researchers to biotechnology companies. He develops or codevelops a number of R packages including varian, a package to conduct Bayesian scale-location structural equation models, and MplusAutomation, a popular package that links R to the commercial Mplus software.
Table of Contents Getting Started with Deep Learning Training a Prediction Model Preventing Overfitting Identifying Anomalous Data Training Deep Prediction Models Tuning and Optimizing Models Bibliography
————————————————————–
ترجمه ماشینی :
ویژگیهای کلیدی استفاده از توانایی ساخت الگوریتمهایی برای دادههای بدون نظارت با استفاده از مفاهیم یادگیری عمیق با R Master مشکلات رایجی مانند برازش بیش از حد دادهها، مجموعه دادههای غیرعادی، تشخیص تصویر و تنظیم عملکرد در هنگام ساخت مدلها ساخت مدلهای مربوط به شبکههای عصبی، پیشبینی و Deep prediction شرح کتاب
یادگیری عمیق شاخهای از یادگیری ماشینی است که بر اساس مجموعهای از الگوریتمها است که سعی میکند انتزاعات سطح بالا در دادهها را با استفاده از معماریهای مدل مدلسازی کند. با مدیریت حافظه عالی و ادغام کامل با پلتفرم های داده های بزرگ چند گره، موتور H2O در میان دانشمندان داده در زمینه یادگیری عمیق محبوبیت بیشتری پیدا کرده است.
این کتاب شما را با بسته یادگیری عمیق H2O با R و به شما در درک مفاهیم یادگیری عمیق کمک می کند. ما با راهاندازی بستههای یادگیری عمیق مهم در R شروع میکنیم و سپس به سمت ساخت مدلهای مرتبط با شبکههای عصبی، پیشبینی و پیشبینی عمقی حرکت میکنیم، همه اینها با کمک مثالهای واقعی.
بعد از آن. با نصب بسته H2O با الگوریتم های پیش بینی آشنا خواهید شد. با حرکت رو به جلو، مفاهیمی مانند داده های بیش از حد برازش، داده های غیرعادی و مدل های پیش بینی عمیق توضیح داده می شوند. در نهایت، این کتاب مفاهیم مربوط به تنظیم و بهینهسازی مدلها را پوشش میدهد.
آنچه یاد خواهید گرفت بسته R H2O را برای آموزش مدلهای یادگیری عمیق راهاندازی کنید مفاهیم اصلی پشت مدلهای یادگیری عمیق را درک کنید از رمزگذارهای خودکار برای شناسایی دادههای غیرعادی یا پرت استفاده کنید. یا طبقه بندی داده ها به طور خودکار با استفاده از شبکه های عصبی عمیق ساخت مدل های قابل تعمیم با استفاده از منظم سازی برای جلوگیری از برازش بیش از حد داده های آموزشی درباره نویسنده
Dr. Joshua F. Wileyیک مدرس در دانشگاه موناش و یک شریک ارشد در Elkhart Group Limited، یک مشاور آماری است. او دکترای خود را از دانشگاه کالیفرنیا، لس آنجلس دریافت کرد. تحقیقات او بر استفاده از روشهای کمی پیشرفته برای درک تأثیر متقابل پیچیده فرآیندهای روانی، اج
tag : دانلود کتاب Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet , Download Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet , دانلود Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet , Download R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet Book , Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet دانلود , buy Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet , خرید کتاب Deep Learning Essentials: راهنمای گام به گام برای ساختن مدل های یادگیری عمیق با استفاده از TensorFlow، Keras و MXNet , دانلود کتاب R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet , کتاب R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet , دانلود R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet , خرید R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet , خرید کتاب R Deep Learning Essentials: A step-by-step guide to building deep learning models using TensorFlow, Keras, and MXNet ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.