یادگیری عمیق برای معماران داده ۲۰۲۳
Deep Learning for Data Architects 2023

راهنمای عملی ساخت و استقرار مدل‌های یادگیری عمیق با پایتون

ویژگی‌های کلیدی

● کسب مهارت‌های لازم برای انجام تحلیل اکتشافی داده، کشف بینش‌ها و پیش‌پردازش داده‌ها برای وظایف یادگیری عمیق.
● ساخت و آموزش انواع مختلف شبکه‌های عصبی، از جمله شبکه‌های عصبی کانولوشن (CNN) و شبکه‌های عصبی بازگشتی (RNN).
● کسب تجربه عملی با کار بر روی پروژه‌های کاربردی و استفاده از تکنیک‌های یادگیری عمیق برای حل مسائل دنیای واقعی.

توضیحات

کتاب «یادگیری عمیق برای معماران داده» یک راهنمای جامع است که پلی بین معماری داده و یادگیری عمیق ایجاد می‌کند. این کتاب یک مبنای محکم در پایتون برای علم داده فراهم می‌کند و به عنوان سکوی پرتابی به دنیای هوش مصنوعی و یادگیری عمیق عمل می‌کند.

کتاب با پرداختن به چالش‌های تبدیل داده‌های خام به بینش‌های عملی آغاز می‌شود. درک عملی از مدیریت داده‌ها را ارائه می‌دهد و پوشش‌دهنده ساخت مدل‌های پیش‌بینی مبتنی بر شبکه عصبی است. سپس کتاب به بررسی شبکه‌های تخصصی مانند شبکه‌های عصبی کانولوشن (CNN)، شبکه‌های عصبی بازگشتی (RNN) و شبکه‌های مولد متخاصم (GAN) می‌پردازد. این کتاب به تئوری و جنبه‌های عملی این شبکه‌ها می‌پردازد و پیاده‌سازی کد پایتون را برای هر یک ارائه می‌دهد. فصل آخر کتاب، ترانسفورمرها را معرفی می‌کند، یک مدل انقلابی که تأثیر قابل توجهی بر پردازش زبان طبیعی (NLP) داشته است. این فصل به شما درک کاملی از نحوه عملکرد ترانسفورمرها ارائه می‌دهد و شامل پیاده‌سازی کد پایتون است.

در پایان کتاب، قادر خواهید بود از یادگیری عمیق برای حل مسائل دنیای واقعی استفاده کنید.

آنچه خواهید آموخت

● توسعه درک جامعی از مفاهیم و اصول کلیدی شبکه‌های عصبی.
● کسب مهارت در پایتون ضمن کدنویسی و پیاده‌سازی الگوریتم‌های اصلی یادگیری عمیق از ابتدا.
● ساخت و پیاده‌سازی مدل‌های پیش‌بینی با استفاده از شبکه‌های عصبی مختلف.
● یادگیری نحوه استفاده از ترانسفورمرها برای وظایف پیچیده NLP.
● بررسی تکنیک‌هایی برای بهبود عملکرد مدل‌های یادگیری عمیق خود.

این کتاب برای چه کسانی مناسب است

این کتاب برای هر کسی که علاقه‌مند به فعالیت در فناوری‌های نوظهور، مانند هوش مصنوعی (AI)، تجزیه و تحلیل داده، یادگیری ماشین، یادگیری عمیق و علم داده است، مناسب است. این کتاب یک راهنمای جامع است که مبانی این فناوری‌ها و همچنین مهارت‌ها و دانش مورد نیاز برای موفقیت در این زمینه را پوشش می‌دهد.

فهرست مطالب

1. پایتون برای علم داده
2. چالش‌های دنیای واقعی برای متخصصان داده در تبدیل داده به بینش
3. ساخت یک مدل پیش‌بینی مبتنی بر شبکه عصبی
4. شبکه‌های عصبی کانولوشن
5. تشخیص نوری کاراکتر
6. تشخیص اشیاء
7. بخش‌بندی تصویر
8. شبکه‌های عصبی بازگشتی
9. شبکه‌های مولد متخاصم
10. ترانسفورمرها

A hands-on guide to building and deploying deep learning models with Python

KEY FEATURES  

● Acquire the skills to perform exploratory data analysis, uncover insights, and preprocess data for deep learning tasks.

● Build and train various types of neural networks, including Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs).

● Gain hands-on experience by working on practical projects and applying deep learning techniques to real-world problems.

DESCRIPTION 

“Deep Learning for Data Architects” is a comprehensive guide that bridges the gap between data architecture and deep learning. It provides a solid foundation in Python for data science and serves as a launchpad into the world of AI and deep learning.

The book begins by addressing the challenges of transforming raw data into actionable insights. It provides a practical understanding of data handling and covers the construction of neural network-based predictive models. The book then explores specialized networks such as convolutional neural networks (CNNs), recurrent neural networks (RNNs), and generative adversarial networks (GANs). The book delves into the theory and practical aspects of these networks and offers Python code implementations for each. The final chapter of the book introduces Transformers, a revolutionary model that has had a significant impact on natural language processing (NLP). This chapter provides you with a thorough understanding of how Transformers work and includes Python code implementations.

By the end of the book, you will be able to use deep learning to solve real-world problems.

WHAT YOU WILL LEARN

● Develop a comprehensive understanding of neural networks’ key concepts and principles.

● Gain proficiency in Python as you code and implement major deep-learning algorithms from scratch.

● Build and implement predictive models using various neural networks

● Learn how to use Transformers for complex NLP tasks

● Explore techniques to enhance the performance of your deep learning models.

WHO THIS BOOK IS FOR

This book is for anyone who is interested in a career in emerging technologies, such as artificial intelligence (AI), data analytics, machine learning, deep learning, and data science. It is a comprehensive guide that covers the fundamentals of these technologies, as well as the skills and knowledge that you need to succeed in this field.

TABLE OF CONTENTS

1. Python for Data Science

2. Real-World Challenges for Data Professionals in Converting Data Into Insights

3. Build a Neural Network-Based Predictive Model

4. Convolutional Neural Networks

5. Optical Character Recognition

6. Object Detection

7. Image Segmentation

8. Recurrent Neural Networks

9. Generative Adversarial Networks

10. Transformers