یادگیری عمیق کاربردی ۲۰۲۳
Applied Deep Learning 2023

ویژگی‌های کلیدی:

●    یاد بگیرید چگونه شبکه‌های عصبی خود را به طور کارآمد طراحی کنید.
●    با نحوه‌ی ساخت و آموزش شبکه‌های عصبی بازگشتی (RNN) آشنا شوید.
●    درک کنید که رمزگذاری و رمزگشایی در شبکه‌های عصبی عمیق چگونه کار می‌کنند.

توضیحات:

یادگیری عمیق به دلیل نیاز روزافزون به پردازش و درک حجم عظیمی از داده‌ها در زمینه‌های مختلف، اهمیت فزاینده‌ای یافته است. اگر می‌خواهید درک عمیق‌تری از تکنیک‌ها و پیاده‌سازی‌های یادگیری عمیق به دست آورید، این کتاب برای شماست.

این کتاب به شما یک معرفی کامل از هوش مصنوعی و یادگیری ماشین ارائه می‌دهد، از اصول اولیه شروع می‌کند و به پوشش جامع یادگیری عمیق با پایتون می‌رسد. با شهود شبکه‌های عصبی و نحوه طراحی و آموزش مؤثر آنها آشنا خواهید شد. در ادامه، یاد خواهید گرفت که چگونه از شبکه‌های عصبی کانولوشنال برای تشخیص تصویر و سایر وظایف بصری استفاده کنید. سپس کتاب بر بومی‌سازی و تشخیص اشیا تمرکز دارد، که وظایف مهمی در بسیاری از کاربردها، از جمله خودروهای خودران و رباتیک هستند. همچنین یاد خواهید گرفت که چگونه از الگوریتم‌های یادگیری عمیق برای شناسایی و مکان‌یابی اشیا در تصاویر و ویدیوها استفاده کنید. علاوه بر این، در مورد چگونگی ایجاد و آموزش شبکه‌های عصبی بازگشتی (RNN) و همچنین بررسی انواع پیشرفته‌تر RNNها، دانش کسب خواهید کرد. در نهایت، در مورد شبکه‌های مولد تخاصمی (GAN) که برای کارهایی مانند تولید تصویر و انتقال سبک استفاده می‌شوند، یاد خواهید گرفت.

آنچه خواهید آموخت:

●    یاد بگیرید چگونه به طور مؤثر با مدل‌های مختلف کانولوشنال کار کنید.
●    یاد بگیرید چگونه از چارچوب You Only Look Once (YOLO) برای تشخیص و بومی‌سازی اشیا استفاده کنید.
●    درک کنید که چگونه از شبکه‌های عصبی بازگشتی برای یادگیری ترتیبی استفاده کنید.
●    یاد بگیرید چگونه با LSTM مشکل محو شدن گرادیان را حل کنید.
●    با استفاده از شبکه‌های مولد تخاصمی مختلف، بین تصاویر جعلی و واقعی تمایز قائل شوید.

این کتاب برای چه کسانی مناسب است:

این کتاب برای متخصصان فعلی و مشتاق علم داده و هوش مصنوعی، و همچنین دانشجویان مهندسی، کاربردهای کامپیوتر و برنامه‌های کارشناسی ارشد علاقه‌مند به یادگیری عمیق در نظر گرفته شده است.

فهرست مطالب:

۱. مبانی هوش مصنوعی و یادگیری ماشین
۲. مقدمه‌ای بر یادگیری عمیق با پایتون
۳. شهود شبکه‌های عصبی
۴. شبکه‌های عصبی کانولوشنال
۵. بومی‌سازی و تشخیص اشیا
۶. مدل‌سازی ترتیبی در شبکه‌های عصبی و شبکه‌های عصبی بازگشتی (RNN)
۷. واحد بازگشتی گیت‌دار، حافظه کوتاه‌مدت بلند و شبکه‌های سیامی
۸. شبکه‌های مولد تخاصمی

A comprehensive guide to Deep Learning for Beginners

KEY FEATURES  

● Learn how to design your own neural network efficiently.

● Learn how to build and train Recurrent Neural Networks (RNNs).

● Understand how encoding and decoding work in Deep Neural Networks.

DESCRIPTION 

Deep Learning has become increasingly important due to the growing need to process and make sense of vast amounts of data in various fields. If you want to gain a deeper understanding of the techniques and implementations of deep learning, then this book is for you.

The book presents you with a thorough introduction to AI and Machine learning, starting from the basics and progressing to a comprehensive coverage of Deep Learning with Python. You will be introduced to the intuition of Neural Networks and how to design and train them effectively. Moving on, you will learn how to use Convolutional Neural Networks for image recognition and other visual tasks. The book then focuses on localization and object detection, which are crucial tasks in many applications, including self-driving cars and robotics. You will also learn how to use Deep Learning algorithms to identify and locate objects in images and videos. In addition, you will gain knowledge on how to create and train Recurrent Neural Networks (RNNs), as well as explore more advanced variations of RNNs. Lastly, you will learn about Generative Adversarial Networks (GAN), which are used for tasks like image generation and style transfer.

WHAT YOU WILL LEARN

● Learn how to work efficiently with various Convolutional models.

● Learn how to utilize the You Only Look Once (YOLO) framework for object detection and localization.

● Understand how to use Recurrent Neural Networks for Sequence Learning.

● Learn how to solve the vanishing gradient problem with LSTM.

● Distinguish between fake and real images using various Generative Adversarial Networks.

WHO THIS BOOK IS FOR

This book is intended for both current and aspiring Data Science and AI professionals, as well as students of engineering, computer applications, and masters programs interested in Deep learning.

TABLE OF CONTENTS

1. Basics of Artificial Intelligence and Machine Learning

2. Introduction to Deep Learning with Python

3. Intuition of Neural Networks

4. Convolutional Neural Networks

5. Localization and Object Detection

6. Sequence Modeling in Neural Networks and Recurrent Neural Networks (RNN)

7. Gated Recurrent Unit, Long Short-Term Memory, and Siamese Networks

8. Generative Adversarial Networks