
۴۴٬۰۰۰تومان
نوع فایل دانلود: EPUB
پس از خرید، یک فایل EPUB دریافت میکنید.
این فایل با Calibre، Apple Books و سایر کتابخوانهای دیجیتال مناسب است.
**این کتاب برای کسانی نوشته شده که هیچ تجربهای در یادگیری ماشین ندارند و به دنبال یک آشنایی عملی و شهودی با یادگیری عمیق از طریق پایتون هستند.**
__یادگیری عمیق برای مبتدیان کامل: مقدمهای با پایتون__ برای کسانی است که کاملاً تازهکار در یادگیری ماشین هستند. این کتاب از مفاهیم پایهای مثل کلاسها و برچسبها، ساخت مجموعه داده، و اینکه مدل چیست و چه کاری میکند شروع میکند؛ سپس مدلهای کلاسیک یادگیری ماشین، شبکههای عصبی، و شبکههای عصبی کانولوشنی مدرن را معرفی میکند. تمرینهای پایتون—با استفاده از ابزارهای متنباز معروف و مجموعه دادههای استاندارد—به خواننده تجربهی عملی با هر مدل میدهد و به او کمک میکند بفهمد چطور مثالهای کتاب را در پروژههای خودش بهکار ببرد.
خوانندگان با آشنایی به زبان پایتون و کتابخانهی NumPy که در یادگیری ماشین همهجا حضور دارد شروع میکنند. ابزارهای شناختهشدهای مثل sklearn و Keras/TensorFlow بهعنوان ستون فقرات کتاب بهکار رفتهاند تا خواننده بتواند روی اصل مطلب تمرکز کند، بدون اینکه مجبور باشد همه چیز را از صفر پیادهسازی کند. یک فصل کامل به ارزیابی عملکرد مدلها اختصاص دارد که به خواننده یاد میدهد چطور ادعاهای مربوط به کارایی مدلها را بسنجد و بفهمد کدام مدل خوب کار میکند و کدام نه. کتاب با معرفی شبکههای عصبی کانولوشنی بهعنوان درگاهی به دنیای یادگیری عمیق مدرن به پایان میرسد. درک نحوهی کار این شبکهها و تأثیر انتخاب پارامترها بر آنها، خواننده را با دانش پایهای لازم آماده میکند تا وارد دنیای گسترده و همیشه در حال تحول یادگیری عمیق شود.
**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.