Hands-On Neural Network Programming with C#
شبکههای عصبی در چند سال گذشته بازگشتی غافلگیرکننده داشته اند و نوآوریهای فوق العاده ای را در دنیای هوش مصنوعی به ارمغان آورده اند. هدف کتاب برنامه نویسی شبکههای عصبی با سی شارپ، ارائه راهنماییهای عملی به برنامه نویسان #C در حل چالشهای پیچیده محاسباتی با استفاده از شبکههای عصبی و کتابخانههای سی شارپ مثل CNTK و TensorFlowSharp است. این کتاب همه چیز از جنبههای ریاضی و تئوری شبکههای عصبی گرفته تا ساخت شبکههای عصبی عمیق در برنامههای خودتان با #C و دات نت فریمورک را پوشش داده است.
در این کتاب شما نحوه ساخت یک شبکه عصبی را از ابتدا با استفاده از پکیج هایی مثل Encog، Aforge و Accord یاد میگیرید. شما دربارهی تکنیکها و مفاهیم مختلفی مثل شبکههای عمیق، پرسپترون ها، الگوریتمهای بهینه سازی و شبکههای کانولوشن و انکودرهای خودکار یاد خواهید گرفت. شما روشهای اضافه کردن امکانات هوشمند به برنامههای دات نت خودتان مثل تشخیص چهره و حرکت، شناسایی و تشخیص اشیا، درک زبان، دانش و جست وجوی هوشمند را خواهید آموخت. در طول این کتاب، شما روی چیزهای جالبی کار خواهید کرد که پیاده سازی شبکههای عصبی پیچیده در برنامههای سازمانی شما را آسانتر میکنند.
مطالبی که در کتاب برنامه نویسی شبکههای عصبی با سی شارپ خواهید آموخت:
- درک پرسپترونها و نحوهی پیاده سازی آنها در #C
- یادگیری نحوهی آموزش و مصور کردن یک شبکهی عصبی با استفاده از سرویسهای cognitive
- شناسایی تصویر برای تشخیص و برچسب زدن اشیا با استفاده از سیشارپ و TensorFlowSharp
- شناسایی ویژگیهای خاص تصویر مثل چهره با استفاده از Accord.Net
- نشان دادن بهینه سازی ازدحام ذرات با استفاده از مساله XOR ساده و Encog
- آموزش شبکههای عصبی کانولوشن با استفاده از ConvNetSharp
- پیدا کردن پارامترهای بهینه برای عملکرد شبکههای عصبی با استفاده از تکنیکهای بهینه سازی عددی و اکتشافی
Table of Contents
A Quick Refresher
Building our first Neural Network Together
Decision Tress and Random Forests
Face and Motion Detection
Training CNNs using ConvNetSharp
Training Autoencoders Using RNNSharp
Replacing Back Propagation with PSO
Function Optimizations; How and Why
Finding Optimal Parameters
Object Detection with TensorFlowSharp
Time Series Prediction and LSTM Using CNTK
GRUs Compared to LSTMs, RNNs, and Feedforward Networks
Appendix A- Activation Function Timings
Appendix B- Function Optimization Reference