- عنوان کتاب: Practical MATLAB Deep Learning
- نویسنده: Michael Paluszek
- حوزه: یادگیری عمیق
- سال انتشار: 2022
- تعداد صفحه: 338
- زبان اصلی: انگلیسی
- نوع فایل: pdf
- حجم فایل: 14.5 مگابایت
آموزش عمیق متلب عملی، ویرایش دوم، توسعه ویرایش اول این کتاب است. ما سه فصل جدید اضافه کردیم. یکی نشان می دهد که چگونه یادگیری عمیق می تواند برای مشکل پردازش داده های سنسور زمین ساکن در مدار پایین زمین اعمال شود. بسیاری از ماهواره های جدید از حسگرهای زمین استفاده می کنند. این کار نشان می دهد که چگونه می توانید داده ها را پردازش کنید و همچنین از یادگیری عمیق برای ارزیابی حسگرها استفاده کنید. فصل دوم جدید در مورد یادگیری عمیق مولد است. این نشان می دهد که چگونه می توان از شبکه های عصبی برای تولید داده های جدید استفاده کرد. هنگامی که یک شبکه عصبی می تواند اشیاء را تشخیص دهد، در نورون های خود مدلی از سوژه دارد که به او اجازه می دهد اشیایی را که قبلاً ندیده است، تشخیص دهد. با توجه به این اطلاعات، یک شبکه عصبی همچنین می تواند داده های جدیدی ایجاد کند. این فصل به شما نشان می دهد که چگونه. این فصل به شما امکان می دهد یک شبکه یادگیری عمیق مولد ایجاد کنید که موسیقی تولید می کند. آخرین فصل جدید در مورد یادگیری تقویتی است. یادگیری تقویتی یک رویکرد یادگیری ماشینی است که در آن یک عامل هوشمند می آموزد که اقداماتی را برای به حداکثر رساندن پاداش انجام دهد. ما این را در طراحی سیستم کنترل فرود تیتان اعمال خواهیم کرد. یادگیری تقویتی ابزاری برای تقریب راه‌حل‌هایی است که می‌توانستند با برنامه‌نویسی پویا به دست آیند، اما راه‌حل‌های دقیق آن از نظر محاسباتی غیرقابل حل هستند. در این فصل، مدلی برای فرودگر تیتان استخراج می کنیم. ما از بهینه سازی برای رسیدن به یک مسیر استفاده می کنیم و سپس نشان می دهیم که چگونه یادگیری تقویتی می تواند به نتایج مشابهی دست یابد. این کتاب با استفاده از چندین ویرایش مختلف در متلب و جعبه ابزار آن نوشته شده است. هنگامی که نمایش ها را تکرار می کنید، ممکن است متوجه شوید که برخی از رابط های کاربری گرافیکی متفاوت هستند. این نباید برای کد ارائه شده با کتاب مشکلی ایجاد کند. این کد با R2022a تست شده است.
Practical MATLAB Deep Learning, Second Edition, is an extension of the first edition of this book. We have added three new chapters. One shows how deep learning can be applied to the problem of processing static Earth sensor data in low Earth orbit. Many new satellites use Earth sensors. This work shows how you can process data and also use deep learning to evaluate sensors. The second new chapter is on generative deep learning. This shows how neural networks can be used to generate new data. When a neural network can recognize objects, it has, in its neurons, a model of the subject that allows it to recognize objects it has not seen before. Given this information, a neural network can also create new data. This chapter shows you how. This chapter lets you create a generative deep learning network that generates music. The final new chapter is on reinforcement learning. Reinforcement learning is a machine learning approach in which an intelligent agent learns to take actions to maximize a reward. We will apply this to the design of a Titan landing control system. Reinforcement learning is a tool to approximate solutions that could have been obtained by dynamic programming, but whose exact solutions are computationally intractable. In this chapter, we derive a model for a Titan lander. We use optimization to come up with a trajectory and then show how reinforcement learning can achieve similar results. This book was written using several different revisions to MATLAB and its toolboxes. When you replicate the demonstrations, you may notice that some of the GUIs are different. This should not pose a problem with the code that is supplied with the book. This code was tested with R2022a.
این کتاب را میتوانید بصورت رایگان از لینک زیر دانلود نمایید.
Download: Practical MATLAB Deep Learning
نظرات کاربران