کتاب راهنمای کاربردی یادگیری ژرف با Python

کتاب راهنمای کاربردی یادگیری ژرف با Python اثری از نیکهیل کتهار به شما یاد می‌دهد چگونه در شاخه‌ی مهندسی از زبان برنامه‌نویسی پایتون برای انجام پروژه‌های خود استفاده کنید. این کتاب که از اعتبار مناسبی در حوزه‌ای که به نگارش درآمده برخوردار است، شما را در یادگیری کامل این زبان یاری می‌رساند و به پرسش‌های احتمالی‌تان پاسخ می‌دهد.

درباره‌ی کتاب راهنمای کاربردی یادگیری ژرف با Python

کتاب راهنمای کاربردی یادگیری ژرف با Python (Deep Learning with Python) تألیف نیکهیل کتهار (Nikhil Ketkar) به شما داده‌های ارزشمندی در باب پایتون ارائه می‌دهد. کتاب پیش روی شما قرار است داده‌هایی را در اختیار شما بگذارد که در زمان کوتاه این فرصت را بیابید تا از زبان برنامه‌نویسی پایتون استفاده کنید. این زبان هوشمند یکی از مهم‌ترین فضاهای برنامه‌نویسی در دنیا است که تابه‌حال کتاب‌ها و مقالات متنوعی در راستای آموزش صحیح آن منتشر شده است.

نیکهیل کتهار یک برنامه‌نویس ماهر در زمینه‌ی پایتون است که با بهره بردن از زبانی شفاف و گویا به شما آن چیزهایی را که لازم است در باب پایتون بدانید را توضیح می‌دهد. کتاب راهنمای کاربردی یادگیری ژرف با Python اثر مفیدی برای کسانی‌ست که می‌خواهند به سازوکارهای این زبان برنامه‌نویسی آشنایی پیدا کنند. واضح است که این زبان برنامه‌نویسی از ساختارها و شماتیک پیچیده و پرجزئیاتی برخوردار است و توضیح کامل آن ساده نخواهد بود. اما نیکهیل کتهار با آموزش گام به گام و بیانی شفاف به شما تکنیک‌های ویژه‌ای در کار با پایتون را آموزش می‌دهد. این کتابی‌ست که هر برنامه‌نویسی باید در کنار خود داشته باشد و از داده‌های آن برای بالا بردن کیفیت کارش در زمینه‌ی کدنویسی و زبان هوشمند بهره ببرد.

این کتاب به شما می‌گوید که چطور نسبت به مباحثی چون feed-forward networks و recurrent neural networks آشنایی پیدا کنید. این کتاب برای مخاطبانی‌ست که همچنان در سطح مقدماتی و متبدی قرار دارند و قصد دارند مهارت‌های خود در زمینه‌ی هوش مصنوعی و برنامه‌نویسی را قوام بخشند.

کتاب راهنمای کاربردی یادگیری ژرف با Python توسط رامین مولاناپور و فاطمه سادات لواسانی به زبان فارسی ترجمه و انتشارات آتی‌نگر آن را منتشر کرده است.

کتاب راهنمای کاربردی یادگیری ژرف با Python برای چه کسانی مناسب است؟

خواندن این کتاب به برنامه‌نویس‌ها، دانشجویان رشته‌ی مهندسی و کسانی که به کار با زبان برنامه‌نویسی پایتون نیاز دارند پیشنهاد می‌شود.

در بخشی از کتاب راهنمای کاربردی یادگیری ژرف با Python می‌خوانیم

مقدمه‌ای بر GPUها

این فصل، محاسبه مبتنی بر (GPU) مخفف (Graphics Processing Unit) را به خواننده معرفی می‌کند که نقش بزرگی در کاربرد موفقیت‌آمیز یادگیری ژرف در انواع مختلف حوزه‌های کاربردی داشته و دارد. معمولاً، کارشناس یادگیری ژرف با کتابخانه‌های سطح بالایی مانند Keras یا Theano کار می‌کند که محاسبه را به طور خودکار به CPU یا GPU تبدیل می‌کند تا بدون عیب و نقص انجام شود. در حالی‌که در بیشتر موارد نیازی نیست کارشناس یادگیری ژرف با طرز کار درونی GPU آشنایی داشته باشد (همانند بسیاری از کتابخانه‌های سطح بالایی که در دسترس هستند)، فقط کافیست اصول اولیه را بداند. Single Instruction, Multiple Data (SIMD) ، نظریه GPU اساس محاسبه مبتنی بر است که در آن محاسبه یکسانی به طور موازی (در هسته‌ها) در نقاط داده متعدد انجام می‌شود. این الگوی محاسباتی برای محاسبه عملیات‌های جبر خطی سنگین بسیار مناسب است. همان‌طور که در فصل‌های قبل دیدیم، محاسبه هسته مستلزم آموزش مدل‌های یادگیری ژرف بر مبنای محاسبه گرادیان‌هاست و بهنگام‌رسانی پارامترها بر مبنای این گرادیان‌هاست.