یادگیری عمیق برای بینایی کامپیوتر با SAS ۲۰۲۰
Deep Learning for Computer Vision with SAS 2020

**با SAS، به دنیای یادگیری عمیق و بینایی ماشین قدم بگذارید!**

کتاب *یادگیری عمیق برای بینایی ماشین با SAS®: یک مقدمه*، اجزای محوری یادگیری عمیق را معرفی می‌کند. خوانندگان درک عمیقی از نحوه ساخت شبکه‌های عصبی پیش‌خور و کانولوشن عمیق، و همچنین انواع رمزگذارهای خودکار کاهنده نویز به دست خواهند آورد. یادگیری انتقالی نیز پوشش داده شده تا خوانندگان در مورد این حوزه نوظهور بیشتر بیاموزند. این کتاب با ترکیبی از تئوری و کاربرد، به طور خلاصه روش‌هایی را برای سفارشی‌سازی مدل‌های یادگیری عمیق برای حل مسائل تجاری جدید یا پاسخ به سؤالات تحقیقاتی بررسی می‌کند. برنامه‌ها و داده‌های SAS برای تقویت مفاهیم کلیدی و امکان همراهی خوانندگان با نمایش‌های ارائه شده، گنجانده شده‌اند.

خوانندگان یاد خواهند گرفت که چگونه:

* یادگیری عمیق را تعریف و درک کنند
* با استفاده از تکنیک‌های یادگیری عمیق و SAS Viya مدل بسازند
* مدل‌ها را برای امتیازدهی (استنتاج) به داده‌های جدید اعمال کنند
* داده‌ها را برای نتایج تجزیه و تحلیل بهتر، اصلاح کنند
* فضای ابرپارامتر یک مدل یادگیری عمیق را جستجو کنند
* با استفاده از روش‌های نظارت‌شده و بدون نظارت، از یادگیری انتقالی استفاده کنند

Discover deep learning and computer vision with SAS!

Deep Learning for Computer Vision with SAS®: An Introduction introduces the pivotal components of deep learning. Readers will gain an in-depth understanding of how to build deep feedforward and convolutional neural networks, as well as variants of denoising autoencoders. Transfer learning is covered to help readers learn about this emerging field. Containing a mix of theory and application, this book will also briefly cover methods for customizing deep learning models to solve novel business problems or answer research questions. SAS programs and data are included to reinforce key concepts and allow readers to follow along with included demonstrations.

Readers will learn how to:

• Define and understand deep learning
• Build models using deep learning techniques and SAS Viya
• Apply models to score (inference) new data
• Modify data for better analysis results
• Search the hyperparameter space of a deep learning model
• Leverage transfer learning using supervised and unsupervised methods