
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 درباره ظرافتهای سازوکار درونیِ یک مدل یادگیری عمیق صحبت میکند. همچنین به تکنیکها و روشهایی میپردازد که نهتنها میتوانند بهرهوری شما را در مهارتهای معماریِ یادگیری ماشین افزایش دهند، بلکه مفاهیم تازهای نیز معرفی میکنند. اگر این موارد درست اجرا شوند، میتوانند مدل یادگیری عمیق شما را از همه مدلهای دیگر کاملا متمایز کنند.
این کتاب فقط به بُعد نظری و مفهومیِ چنین دانشی محدود نمیشود، بلکه اهمیت برابری برای آزمون کردنِ این اطلاعات قائل است. ما این کار را با گنجاندن چند نمونه عملی و نمایشهای رایج انجام میدهیم؛ نمونهها و تمرینهایی که معمولاً برای یادگیری عمیق میسازید، بنابراین «هر دو دنیا» را یکجا در اختیار شما قرار میدهیم.
مهمترین ویژگیهای این کتاب عبارتاند از:
- مرور دوباره مبانیِ مدل یادگیری عمیق و شبکههای عصبی و پیوند دادن آنها با دانش پیشرفتهای که در این کتاب مطرح میشود؛ بدین ترتیب دانستههای قبلی خواننده تقویت میگردد و این آگاهی به درکی در سطح متخصص تبدیل میشود.
- تاکید بر آن دسته از وظایج که از مدلهای یادگیری عمیق بهطور معمول انتظار میرود و دمیدن زندگی تازه در آنها با معرفی تکنیکها، روشها و عناصری جدید که به مدل کمک میکنند عملکرد مدلهای یادگیری عمیق در انجام این وظایف بهطور چشمگیری بهتر شود.
- پرداختن به روشهایی که بهصورت آزمایشی بررسی و ثابت شدهاند و میدانیم تاثیر مثبتی بر اثربخشی مدل دارند.
- استفاده نکردن از نمادهای ریاضی در مثالهای این کتاب تا مفاهیم برای برنامهنویسانی که پیشزمینه ریاضی ندارند هم بهراحتی قابل درک و یادگیری باشد؛ و در نتیجه شفافیت مفهومی در اولویت قرار بگیرد.
- با در نظر گرفتن همین موضوع، همه مثالها از کدِ NumPy استفاده میکنند، چون این ابزار بهتر نشان میدهد کد دقیقاً چه چیزی را انجام میدهد و هدفش چیست.
اگر میخواهید راهبردهای پیشرفته برای پایتون یاد بگیرید، این کتاب مناسب شماست. برای شروع همین امروز روی دکمه «خرید» کلیک کنید!
This book discusses the intricacies of the internal workings of a deep learning model. It addresses the techniques and methods that can not only boost the productivity of your machine learning architectural skills, but also introduces new concepts. Implemented correctly, these can set your deep learning model a league apart from all other models. This book not only focuses on theoretical and conceptual realms of such knowledge, but also gives equal importance to putting this information to the test. We do this by including some common practical examples and demonstrations that you would normally build deep learning for, hence giving you the best of both worlds. The main features of this book include: -Refreshing the fundamentals of a deep learning model and neural networks and connecting them with the advanced knowledge laid out in this book, reinforcing the reader's prior knowledge and transforming it into an expert-level understanding.-Emphasizing those tasks that are commonly demanded from deep learning models and breathing new life into them by introducing new techniques, methods, and elements that enable the model to drastically improve the performance of deep learning models on such tasks.-Discussing experimentally tested methods that are known to have a positive impact on the model's effectiveness.-No usage of mathematical notations in the examples detailed in this book so that the concepts can be readily assimilated and mastered by programmers that do not have a mathematical background, hence prioritizing clarity of concepts.-Keeping this requirement in mind, the examples use Numpy code throughout as it best represents what the code actually means and its purpose.If you want to learn advanced strategies for Python this is the book for you. Click the Buy Now button to get started today!