یادگیری عمیق با پایتون، ویرایش دوم ۲۰۲۱
Deep Learning with Python, Second Edition 2021

در یادگیری عمیق با پایتون، ویرایش دوم خواهید آموخت:

یادگیری عمیق از اصول اولیه
دسته‌بندی و قطعه‌بندی تصاویر
پیش‌بینی سری‌های زمانی
دسته‌بندی متون و ترجمه ماشینی
تولید متن، انتقال سبک عصبی و تولید تصویر

یادگیری عمیق با پایتون به هزاران خواننده آموخته است که چگونه از تمام قابلیت‌های یادگیری عمیق استفاده کنند. این ویرایش دوم که به طور گسترده بازبینی شده است، یادگیری عمیق را با استفاده از پایتون و Keras معرفی می‌کند و مملو از بینش‌هایی برای افراد مبتدی و متخصص در ML است. شما تکنیک‌های عملی را خواهید آموخت که به آسانی در دنیای واقعی قابل استفاده هستند و تئوری مهمی را برای بی‌نقص کردن شبکه‌های عصبی فرا خواهید گرفت.

خرید نسخه چاپی کتاب شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از Manning Publications است.
درباره‌ی این فناوری
نوآوری‌های اخیر در یادگیری عمیق، قابلیت‌های نرم‌افزاری جدید و هیجان‌انگیزی مانند ترجمه خودکار زبان، تشخیص تصویر و موارد دیگر را امکان‌پذیر می‌سازد. یادگیری عمیق در حال تبدیل شدن به دانشی ضروری برای هر توسعه‌دهنده نرم‌افزار است و ابزارهای مدرنی مانند Keras و TensorFlow آن را در دسترس شما قرار می‌دهند، حتی اگر هیچ سابقه‌ای در ریاضیات یا علم داده نداشته باشید.

درباره‌ی کتاب
یادگیری عمیق با پایتون، ویرایش دوم، حوزه یادگیری عمیق را با استفاده از پایتون و کتابخانه قدرتمند Keras معرفی می‌کند. در این ویرایش جدید، فرانسوا شوله، خالق Keras، بینش‌هایی را برای افراد مبتدی و متخصص در یادگیری ماشین ارائه می‌دهد. با پیشرفت در این کتاب، درک خود را از طریق توضیحات شهودی، تصاویر واضح و مثال‌های روشن بنا خواهید کرد. مهارت‌های لازم برای شروع توسعه برنامه‌های کاربردی یادگیری عمیق را کسب خواهید کرد.

آنچه در داخل خواهید یافت

یادگیری عمیق از اصول اولیه
دسته‌بندی و قطعه‌بندی تصاویر
پیش‌بینی سری‌های زمانی
دسته‌بندی متون و ترجمه ماشینی
تولید متن، انتقال سبک عصبی و تولید تصویر

درباره‌ی خواننده
برای خوانندگانی با مهارت‌های متوسط پایتون. هیچ تجربه قبلی با Keras، TensorFlow یا یادگیری ماشین لازم نیست.

درباره‌ی نویسنده
فرانسوا شوله مهندس نرم افزار در گوگل و خالق کتابخانه یادگیری عمیق Keras است.

فهرست مطالب
۱ یادگیری عمیق چیست؟
۲ بلوک‌های ساختمانی ریاضی شبکه‌های عصبی
۳ مقدمه‌ای بر Keras و TensorFlow
۴ شروع به کار با شبکه‌های عصبی: طبقه‌بندی و رگرسیون
۵ مبانی یادگیری ماشین
۶ گردش کار جهانی یادگیری ماشین
۷ کار با Keras: یک بررسی عمیق
۸ مقدمه‌ای بر یادگیری عمیق برای بینایی کامپیوتر
۹ یادگیری عمیق پیشرفته برای بینایی کامپیوتر
۱۰ یادگیری عمیق برای سری‌های زمانی
۱۱ یادگیری عمیق برای متن
۱۲ یادگیری عمیق مولد
۱۳ بهترین شیوه‌ها برای دنیای واقعی
۱۴ نتیجه‌گیری

In Deep Learning with Python, Second Edition you will learn:

Deep learning from first principles
Image classification & image segmentation
Timeseries forecasting
Text classification and machine translation
Text generation, neural style transfer, and image generation

Deep Learning with Python has taught thousands of readers how to put the full capabilities of deep learning into action. This extensively revised second edition introduces deep learning using Python and Keras, and is loaded with insights for both novice and experienced ML practitioners. You’ll learn practical techniques that are easy to apply in the real world, and important theory for perfecting neural networks.

Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications.

About the technology
Recent innovations in deep learning unlock exciting new software capabilities like automated language translation, image recognition, and more. Deep learning is becoming essential knowledge for every software developer, and modern tools like Keras and TensorFlow put it within your reach, even if you have no background in mathematics or data science.

About the book
Deep Learning with Python, Second Edition introduces the field of deep learning using Python and the powerful Keras library. In this new edition, Keras creator François Chollet offers insights for both novice and experienced machine learning practitioners. As you move through this book, you’ll build your understanding through intuitive explanations, crisp illustrations, and clear examples. You’ll pick up the skills to start developing deep-learning applications.

What’s inside

Deep learning from first principles
Image classification and image segmentation
Time series forecasting
Text classification and machine translation
Text generation, neural style transfer, and image generation

About the reader
For readers with intermediate Python skills. No previous experience with Keras, TensorFlow, or machine learning is required.

About the author
François Chollet is a software engineer at Google and creator of the Keras deep-learning library.

Table of Contents
1 What is deep learning?
2 The mathematical building blocks of neural networks
3 Introduction to Keras and TensorFlow
4 Getting started with neural networks: Classification and regression
5 Fundamentals of machine learning
6 The universal workflow of machine learning
7 Working with Keras: A deep dive
8 Introduction to deep learning for computer vision
9 Advanced deep learning for computer vision
10 Deep learning for timeseries
11 Deep learning for text
12 Generative deep learning
13 Best practices for the real world
14 Conclusions