کتاب Beginning Anomaly Detection Using Python-Based Deep Learning, 2nd Edition (شروع تشخیص آنومالی با استفاده از یادگیری عمیق مبتنی بر پایتون، ویرایش دوم) با استفاده از مفاهیم یادگیری عمیق و زبان پایتون، تشخیص ناهنجاری و آنومالی در پایگاه داده را انجام می‌دهد.
در ادامه مقدمه‌ای از کتاب Beginning Anomaly Detection Using Python-Based Deep Learning را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Beginning Anomaly Detection Using Python-Based Deep Learning:
به خاطر تصمیم شما برای کشف دنیای هیجان‌انگیز تشخیص ناهنجاری با استفاده از یادگیری عمیق تبریک می‌گوییم!
تشخیص ناهنجاری شامل یافتن الگو‌هایی است که به آنچه به عنوان رفتار عادی یا مورد انتظار در نظر گرفته می‌شود، پایبند نیستند. کسب و کار‌ها ممکن است میلیون‌ها دلار را به دلیل رویداد‌های غیرعادی از دست بدهند. مصرف‌کنندگان همچنین می‌توانند میلیون‌ها دلار ضرر کنند.
در واقع، هر روز موقعیت‌های زیادی پیش می‌آید که جان افراد در خطر است و اموال آن‌ها در خطر است. اگر حساب بانکی شما پاک شود، این یک مشکل است. اگر خط آب شما شکسته شود و زیرزمین شما سیلابی شود، این یک مشکل است.
اگر همه پرواز‌ها در یک فرودگاه به دلیل نقص فنی در سیستم کنترل ترافیک تأخیر داشته باشند، این یک مشکل است. اگر مشکل سلامتی دارید که به اشتباه تشخیص داده شده یا تشخیص داده نشده است، این یک مشکل بسیار بزرگ است که به طور مستقیم بر سلامتی شما تأثیر می‌گذارد.
در کتاب Beginning Anomaly Detection Using Python-Based Deep Learning خواهید آموخت که چگونه می‌توان از تشخیص ناهنجاری برای حل مشکلات تجاری استفاده کرد. شما بررسی خواهید کرد که چگونه می‌توان از تکنیک‌های تشخیص ناهنجاری برای رسیدگی به موارد استفاده عملی و رسیدگی به مشکلات زندگی واقعی در چشم انداز کسب و کار استفاده کرد.
بیشتر بخوانید: کتاب Deep Learning with MXNet Cookbook
هر کسب و کار و مورد استفاده متفاوت است، بنابراین در حالی که نمی‌توانیم کد را کپی و جایگذاری کنیم و یک مدل موفق برای تشخیص ناهنجاری‌ها در هر مجموعه داده بسازیم، این کتاب بسیاری از موارد استفاده را با تمرین‌های کدگذاری عملی پوشش می‌دهد تا به شما‌ایده‌ای از احتمالات و امکانات بدهد.
مفاهیم پشت فرآیند فکر تمام نمونه‌های کد موجود در کتاب Beginning Anomaly Detection Using Python-Based Deep Learning در پایتون ۳.۸ ارائه شده است. ما پایتون را انتخاب می‌کنیم زیرا واقعاً بهترین زبان برای علم داده است، با مجموعه‌ای از بسته‌ها و ادغام‌ها با کتابخانه‌های Sicit-learn، یادگیری عمیق و غیره.
ما با معرفی تشخیص ناهنجاری شروع می‌کنیم و سپس به روش‌های قدیمی تشخیص ناهنجاری‌هایی می‌پردازیم که برای دهه‌ها مورد استفاده قرار گرفته‌اند. سپس به یادگیری عمیق نگاه خواهیم کرد تا طعم آن را بچشیم.
سپس رمزگذار‌های خودکار و رمزگذار‌های خودکار متغیر را بررسی خواهیم کرد، که راه را برای نسل بعدی مدل‌های تولیدی هموار می‌کنند. پس از آن، ما شبکه‌های متخاصم مولد (GANs) را به عنوان راهی برای تشخیص ناهنجاری‌ها بررسی می‌کنیم و مستقیماً به هوش مصنوعی مولد می‌پردازیم.
سپس مدل‌های حافظه کوتاه‌مدت بلند مدت (LSTM) را بررسی می‌کنیم تا ببینیم چگونه می‌توان داده‌های زمانی را پردازش کرد. ما شبکه‌های کانولوشنال زمانی (TCN) را پوشش خواهیم داد، که برای تشخیص ناهنجاری داده‌های زمانی عالی هستند.
بیشتر بخوانید: کتاب Data Quality Fundamentals
ما همچنین به معماری ترانسفورماتور خواهیم پرداخت که زمینه پردازش زبان طبیعی را به عنوان ابزار دیگری برای تشخیص ناهنجاری‌های زمانی متحول کرده است. در نهایت، به چندین نمونه از تشخیص ناهنجاری در موارد مختلف استفاده تجاری خواهیم پرداخت.
علاوه بر این، تمام نمونه‌های کدنویسی در TensorFlow ۲/Keras، همراه با معادل‌های PyTorch، در مخزن GitHub برای کتاب Beginning Anomaly Detection Using Python-Based Deep Learning ارائه خواهند شد. شما تمام این دانش گسترده را با کدنویسی عملی با استفاده از تمرینات مبتنی بر نوت بوک Jupyter ترکیب خواهید کرد تا دانش را به طور مستقیم تجربه کنید و ببینید کجا می‌توانید از این الگوریتم‌ها و چارچوب‌ها استفاده کنید. با آرزوی موفقیت و به دنیای یادگیری عمیق خوش آمدید!
سرفصل‌های کتاب Beginning Anomaly Detection Using Python-Based Deep Learning:
- Table of Contents
- About the Authors
- About the Technical Reviewers
- Acknowledgments
- Introduction
- Chapter 1: Introduction to Anomaly Detection
- Chapter 2: Introduction to Data Science
- Chapter 3: Introduction to Machine Learning
- Chapter 4: Traditional Machine Learning Algorithms
- Chapter 5: Introduction to Deep Learning
- Chapter 6: Autoencoders
- Chapter 7: Generative Adversarial Networks
- Chapter 8: Long Short-Term Memory Models
- Chapter 9: Temporal Convolutional Networks
- Chapter 10: Transformers
- Chapter 11: Practical Use Cases and Future Trends of Anomaly Detection
- Index
جهت دانلود کتاب Beginning Anomaly Detection Using Python-Based Deep Learning می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.