کتاب Hands-on Deep Learning

این کتاب به بررسی یادگیری عمیق می‌پردازد، از اصول بنیادی آن تا کاربردهای عملی، همراه با تمرینات عملی و کدنویسی. این کتاب بر تکنیک‌های یادگیری عمیق تمرکز دارد و نحوه اعمال آنها را در طیف گسترده ای از سناریوهای عملی نشان می‌دهد.

کتاب Hands-on Deep Learning با مقدمه‌ای بر مفاهیم اصلی یادگیری عمیق آغاز می‌شود. به موضوعاتی مانند انتقال یادگیری، یادگیری چند وظیفه ای و یادگیری انتها به انتها می‌پردازد و بینش‌هایی در مورد مدل‌های مختلف یادگیری عمیق و کاربردهای دنیای واقعی آنها ارائه می‌دهد.

سپس به شبکه‌های عصبی می‌پردازد و از پرسپترون‌های تک لایه تا پرسپترون‌های چند لایه پیشرفت می‌کند و پیچیدگی‌های انتشار برگشتی و نزول گرادیان را حل می‌کند. این کتاب توضیح می‌دهد که چگونه عملکرد مدل را با استفاده از تکنیک‌های موثر بهینه سازی کنید و به مسائل کلیدی مانند هایپرپارامترها، بایاس، واریانس و تقسیم داده‌ها بپردازید.

همچنین شبکه‌های عصبی کانولوشنال (CNN) را در دو فصل جامع پوشش می‌دهد که شامل معماری، اجزا و اهمیت هسته‌های پیاده سازی مدل‌های معروف CNN مانند AlexNet و LeNet می‌شود.

بیشتر بخوانید: کتاب Python Machine Learning By Example

در پایان، به بررسی خودرمزگذارها و مدل‌های مولد مانند شبکه‌های هاپفیلد و ماشین‌های بولتزمن می‌پردازد و این تکنیک‌ها را در مجموعه متنوعی از کاربردهای عملی اعمال می‌کند. این کاربردها شامل طبقه بندی تصویر، تشخیص شیء، تحلیل احساسات، تشخیص کووید-19 و ChatGPT می‌باشد.

در پایان این کتاب، شما درک کاملی از یادگیری عمیق، از اصول بنیادی آن تا کاربردهای نوآورانه آن، به دست خواهید آورد که به شما امکان می‌دهد این دانش را برای حل طیف گسترده ای از مشکلات دنیای واقعی اعمال کنید.

آنچه شما یاد خواهید گرفت

• شبکه‌های عصبی عمیق چیستند؟
• انتقال یادگیری، یادگیری چند وظیفه‌ای و یادگیری انتها به انتها چیست؟
• هایپرپارامترها، بایاس، واریانس و تقسیم داده‌ها چیستند؟
• CNN و RNN چیستند؟

کتاب Hands-on Deep Learning برای چه کسانی است؟

مهندسان یادگیری ماشین، دانشمندان داده، متخصصان هوش مصنوعی، توسعه‌دهندگان نرم‌افزار و مهندسانی که به یادگیری عمیق علاقه دارند.