دانلود کتاب Deep Learning from First Principles In Vectorized Python R and Octave
دسته: آمار ریاضی
کتاب یادگیری عمیق از اصول اولیه در پایتون R و Octave بردار نسخه زبان اصلی
دانلود کتاب یادگیری عمیق از اصول اولیه در پایتون R و Octave بردار بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
توضیحاتی در مورد کتاب Deep Learning from First Principles In Vectorized Python R and Octave
نام کتاب : Deep Learning from First Principles In Vectorized Python R and Octave
عنوان ترجمه شده به فارسی : یادگیری عمیق از اصول اولیه در پایتون R و Octave بردار
سری :
نویسندگان : Tinniam V Ganesh
ناشر :
سال نشر : 2018
تعداد صفحات : 775
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 8 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
توضیحاتی در مورد کتاب :
این چاپ دوم کتاب است. کد با فونت ثابت با عرض ثابت فرمت شده است و شامل شماره گذاری خطوط است. این کتاب یک یادگیری عمیق چند لایه و چند واحدی را از اصول اولیه استخراج و ایجاد می کند. فصل اول با استخراج و پیاده سازی رگرسیون لجستیک به عنوان یک شبکه عصبی شروع می شود. به دنبال آن یک شبکه عمومی یادگیری عمیق لایه L ایجاد شد که طبقه بندی باینری را انجام می دهد. سپس این شبکه یادگیری عمیق برای دسته‌بندی چند کلاسه همراه با مشتقات لازم برای ژاکوبین Softmax و از دست دادن آنتروپی متقابل تقویت می‌شود. فصول بعدی شامل انواع مختلف اولیه سازی، روش های منظم سازی (L2، انصراف) و به دنبال آن تکنیک های بهینه سازی نزولی گرادیان مانند Momentum، Rmsprop و Adam است. در نهایت تکنیک بررسی گرادیان شرح داده شده و اجرا می شود. تمام فصل ها شامل پیاده سازی در پایتون، R و Octave بردار هستند. مشتقات دقیق برای هر پیشرفت مهم در یادگیری عمیق گنجانده شده است. با رسیدن به فصل آخر، پیاده‌سازی شامل آموزش عمیق لایه L با تمام زنگ‌ها و سوت‌ها در پایتون، R و Octave بردار است.
فهرست مطالب :
Preface......Page 6
Introduction......Page 10
1.Logistic Regression as a Neural Network......Page 13
2.Implementing a simple Neural Network......Page 36
3.Building a L- Layer Deep Learning Network......Page 79
4.Deep Learning network with the Softmax......Page 134
5.MNIST classification with Softmax......Page 161
6.Initialization, regularization in Deep Learning......Page 194
7.Gradient Descent Optimization techniques......Page 262
8.Gradient Check in Deep Learning......Page 313
1.Appendix A......Page 347
2.Appendix 1 – Logistic Regression as a Neural Network......Page 356
3.Appendix 2 - Implementing a simple Neural Network......Page 369
4.Appendix 3 - Building a L- Layer Deep Learning Network......Page 391
5.Appendix 4 - Deep Learning network with the Softmax......Page 424
6.Appendix 5 - MNIST classification with Softmax......Page 441
7.Appendix 6 - Initialization, regularization in Deep Learning......Page 495
8.Appendix 7 - Gradient Descent Optimization techniques......Page 564
9.Appendix 8 – Gradient Check......Page 662
References......Page 774
توضیحاتی در مورد کتاب به زبان اصلی :
This is the second edition of the book. The code has been formatted with fixed with a fixed width font, and includes line numbering. This book derives and builds a multi-layer, multi-unit Deep Learning from the basics. The first chapter starts with the derivation and implementation of Logistic Regression as a Neural Network. This followed by building a generic L-Layer Deep Learning Network which performs binary classification. This Deep Learning network is then enhanced to handle multi-class classification along with the necessary derivations for the Jacobian of softmax and cross-entropy loss. Further chapters include different initialization types, regularization methods (L2, dropout) followed by gradient descent optimization techniques like Momentum, Rmsprop and Adam. Finally the technique of gradient checking is elaborated and implemented. All the chapters include implementations in vectorized Python, R and Octave. Detailed derivations are included for each critical enhancement to the Deep Learning. By the time you reach the last chapter, the implementation includes fully functional L-Layer Deep Learning with all the bells and whistles in vectorized Python, R and Octave.