ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Deep Learning

دانلود کتاب یادگیری عمیق

Deep Learning

مشخصات کتاب

Deep Learning

ویرایش:  
نویسندگان: , ,   
سری:  
 
ناشر: The MIT Press 
سال نشر: 2016 
تعداد صفحات: 800 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت 

قیمت کتاب (تومان) : 52,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 4


در صورت تبدیل فایل کتاب Deep Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یادگیری عمیق نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب یادگیری عمیق

یادگیری عمیق شکلی از یادگیری ماشینی است که رایانه ها را قادر می سازد از تجربیات بیاموزند و جهان را بر اساس سلسله مراتبی از مفاهیم درک کنند. از آنجا که کامپیوتر دانش را از تجربه جمع آوری می کند، نیازی نیست که یک اپراتور کامپیوتر انسانی به طور رسمی تمام دانش مورد نیاز کامپیوتر را مشخص کند. سلسله مراتب مفاهیم به رایانه اجازه می دهد تا مفاهیم پیچیده را با ساختن آنها از مفاهیم ساده تر یاد بگیرد، نموداری از این سلسله مراتب چندین لایه عمیق است. این کتاب طیف گسترده ای از موضوعات را در یادگیری عمیق معرفی می کند. این متن پس‌زمینه‌های ریاضی و مفهومی را ارائه می‌دهد که مفاهیم مرتبط در جبر خطی، نظریه احتمالات و نظریه اطلاعات، محاسبات عددی و یادگیری ماشین را پوشش می‌دهد. این تکنیک‌های یادگیری عمیق مورد استفاده پزشکان در صنعت را توصیف می‌کند، از جمله شبکه‌های پیش‌خور عمیق، منظم‌سازی، الگوریتم‌های بهینه‌سازی، شبکه‌های کانولوشن، مدل‌سازی توالی، و روش‌شناسی عملی و کاربردهایی مانند پردازش زبان طبیعی، تشخیص گفتار، بینایی کامپیوتر، سیستم‌های توصیه آنلاین، بیوانفورماتیک و بازی های ویدیویی در نهایت، این کتاب دیدگاه‌های پژوهشی را ارائه می‌کند که موضوعات نظری مانند مدل‌های عامل خطی، رمزگذارهای خودکار، یادگیری بازنمایی، مدل‌های احتمالی ساختاریافته، روش‌های مونت کارلو، تابع تقسیم، استنتاج تقریبی و مدل‌های مولد عمیق را پوشش می‌دهد. یادگیری عمیق را می توان توسط دانشجویان کارشناسی یا کارشناسی ارشد برنامه ریزی مشاغل در صنعت یا تحقیقات و مهندسان نرم افزاری که می خواهند از یادگیری عمیق در محصولات یا پلتفرم های خود استفاده کنند، استفاده کرد. یک وب سایت مطالب تکمیلی را هم برای خوانندگان و هم برای مربیان ارائه می دهد.


توضیحاتی درمورد کتاب به خارجی

Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and videogames. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors.





نظرات کاربران