دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Vishnu Subramanian
سری:
ISBN (شابک) : 1788624335, 9781788624336
ناشر: Packt Publishing
سال نشر: 2018
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 مگابایت
در صورت تبدیل فایل کتاب Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق با PyTorch: یک رویکرد عملی برای ساخت مدل های شبکه عصبی با استفاده از PyTorch نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
ساخت مدلهای شبکه عصبی در متن، دید و تجزیه و تحلیل پیشرفته با استفاده از PyTorch
یادگیری عمیق هوشمندترین سیستمهای جهان مانند Google Voice، Siri و Alexa را تقویت میکند. پیشرفتها در سختافزار قدرتمند، مانند پردازندههای گرافیکی، چارچوبهای نرمافزاری مانند PyTorch، Keras، Tensorflow و CNTK به همراه در دسترس بودن دادههای بزرگ، پیادهسازی راهحلهای مشکلات در زمینههای متن، دید و تجزیه و تحلیل پیشرفته را آسانتر کرده است. /p>
این کتاب شما را با یکی از پیشرفته ترین کتابخانه های یادگیری عمیق یعنی PyTorch راه اندازی می کند. PyTorch به دلیل دسترسی، کارایی و بومی بودن بیشتر در راه توسعه پایتون، توجه محققان یادگیری عمیق و متخصصان علوم داده را به خود جلب کرده است. شما با نصب PyTorch شروع میکنید، سپس به سرعت به یادگیری بلوکهای اساسی مختلف میپردازید که یادگیری عمیق مدرن را تقویت میکنند. همچنین یاد خواهید گرفت که چگونه از شبکه های CNN، RNN، LSTM و دیگر شبکه ها برای حل مشکلات دنیای واقعی استفاده کنید. این کتاب مفاهیم مختلف معماری های پیشرفته یادگیری عمیق مانند ResNet، DenseNet، Inception و Seq2Seq را بدون غواصی عمیق در ریاضیات پشت سر آنها توضیح می دهد. همچنین در طول دوره کتاب با محاسبات GPU آشنا خواهید شد. نحوه آموزش یک مدل با PyTorch و فرو رفتن در شبکه های عصبی پیچیده مانند شبکه های مولد برای تولید متن و تصاویر را خواهید دید.
در پایان کتاب، میتوانید به راحتی برنامههای یادگیری عمیق را در PyTorch پیادهسازی کنید.
این کتاب برای مهندسین یادگیری ماشین، تحلیلگران داده، دانشمندان داده است که علاقه مند به یادگیری عمیق هستند و به دنبال کاوش در پیاده سازی الگوریتم های پیشرفته در PyTorch هستند. برخی از دانش یادگیری ماشین مفید است اما نیازی اجباری نیست. دانش کاری برنامه نویسی پایتون انتظار می رود.
Build neural network models in text, vision and advanced analytics using PyTorch
Deep learning powers the most intelligent systems in the world, such as Google Voice, Siri, and Alexa. Advancements in powerful hardware, such as GPUs, software frameworks such as PyTorch, Keras, Tensorflow, and CNTK along with the availability of big data have made it easier to implement solutions to problems in the areas of text, vision, and advanced analytics.
This book will get you up and running with one of the most cutting-edge deep learning libraries―PyTorch. PyTorch is grabbing the attention of deep learning researchers and data science professionals due to its accessibility, efficiency and being more native to Python way of development. You'll start off by installing PyTorch, then quickly move on to learn various fundamental blocks that power modern deep learning. You will also learn how to use CNN, RNN, LSTM and other networks to solve real-world problems. This book explains the concepts of various state-of-the-art deep learning architectures, such as ResNet, DenseNet, Inception, and Seq2Seq, without diving deep into the math behind them. You will also learn about GPU computing during the course of the book. You will see how to train a model with PyTorch and dive into complex neural networks such as generative networks for producing text and images.
By the end of the book, you'll be able to implement deep learning applications in PyTorch with ease.
This book is for machine learning engineers, data analysts, data scientists interested in deep learning and are looking to explore implementing advanced algorithms in PyTorch. Some knowledge of machine learning is helpful but not a mandatory need. Working knowledge of Python programming is expected.
Getting Started with Deep Learning Using PyTorch --
Building Blocks of Neural Networks --
Diving Deep into Neural Networks --
Fundamentals of Machine Learning --
Deep Learning for Computer Vision --
Deep Learning with Sequence Data and Text --
Generative Networks --
Modern Network Architectures --
What Next?