یادگیری عمیق برای مهندسان ۲۰۲۴
Deep Learning for Engineers 2024

یادگیری عمیق برای مهندسان، اصول اساسی یادگیری عمیق را به همراه توضیح عناصر مورد نیاز برای درک و به کارگیری مدل‌های یادگیری عمیق معرفی می‌کند.

این کتاب به عنوان یک راهنمای جامع برای به کارگیری مدل‌های یادگیری عمیق در محیط‌های عملی، از یک ساختار کدنویسی آسان با استفاده از پایتون و PyTorch بهره می‌برد و توضیحی عمیق درباره چهار مطالعه موردی معمول یادگیری عمیق در زمینه‌های طبقه‌بندی تصاویر، تشخیص اشیا، بخش‌بندی معنایی و شرح تصویر ارائه می‌دهد. مبانی شبکه‌های عصبی کانولوشن (CNN) و معماری شبکه‌های عصبی بازگشتی (RNN) و همچنین پیاده‌سازی‌های عملی آن‌ها در علم و مهندسی نیز مورد بحث قرار می‌گیرند.

این کتاب شامل تمرین‌هایی برای تمام مطالعات موردی است که بر رویکردهای مختلف تنظیم دقیق در یادگیری عمیق تمرکز دارند. دانشجویان علوم و مهندسی در مقاطع کارشناسی و تحصیلات تکمیلی، محققان دانشگاهی و متخصصان صنعت، مطالب این کتاب را مفید خواهند یافت.

Deep Learning for Engineers introduces the fundamental principles of deep learning along with an explanation of the basic elements required for understanding and applying deep learning models.

As a comprehensive guideline for applying deep learning models in practical settings, this book features an easy-to-understand coding structure using Python and PyTorch with an in-depth explanation of four typical deep learning case studies on image classification, object detection, semantic segmentation, and image captioning. The fundamentals of convolutional neural network (CNN) and recurrent neural network (RNN) architectures and their practical implementations in science and engineering are also discussed.

This book includes exercise problems for all case studies focusing on various fine-tuning approaches in deep learning. Science and engineering students at both undergraduate and graduate levels, academic researchers, and industry professionals will find the contents useful.