Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural network, (Paperback)
Προϊόν #: 49266543

Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural network, (Paperback)

Προϊόν #: 49266543

€ 49

Price Details

Excluding Shipping & Custom charges ( Shipping and custom charges will be calculated on checkout )

*All items will import from ΗΠΑ

Σε απόθεμα
ΗΠΑ Εισήχθη από κατάστημα USA

QTY:

Μόνο 99 προϊόντα έχουν απομείνει σε απόθεμα.
Παραγγείλτε τώρα και πάρτε το περίπου: Παρασκευή, Οκτώβριος 16
Our Top Logistics Partners
  • fedex
  • dhl
Εγγύηση U-Care:
Κανένα
Επιλέξτε ένα σχέδιο
fast shipping

Fast
Shipping

free return

Free
Return*

secure packaging

Secure Packaging

100% original products

100% Original Products

pci-dss

PCI DSS Compliance

iso certified

ISO 27001 Certified


paypal payment
visa payment
mastercard payment
Note: Step Down Voltage Transformer required for using electronics products of ΗΠΑ store (110-120). Recommended power converters Αγορασε τωρα.

Λεπτομέρειες προιόντος

Shop Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural network, (Paperback) online at a best price in Greece. 863726364
  • A comprehensive guide to getting well-versed with the mathematical techniques for building modern deep learning architecturesKey Features Understand linear algebra, calculus, gradient algorithms, and other concepts essential for training deep neural networks Learn the mathematical concepts needed to understand how deep learning models function Use deep learning for solving problems related to vision, image, text, and sequence applications Book Description Most programmers and data scientists struggle with mathematics, having either overlooked or forgotten core mathematical concepts. This book uses Python libraries to help you understand the math required to build deep learning (DL) models. You'll begin by learning about core mathematical and modern computational techniques used to design and implement DL algorithms. This book will cover essential topics, such as linear algebra, eigenvalues and eigenvectors, the singular value decomposition concept, and gradient algorithms, to help you understand how to train deep neural networks. Later chapters focus on important neural networks, such as the linear neural network and multilayer perceptrons, with a primary focus on helping you learn how each model works. As you advance, you will delve into the math used for regularization, multi-layered DL, forward propagation, optimization, and backpropagation techniques to understand what it takes to build full-fledged DL models. Finally, you'll explore CNN, recurrent neural network (RNN), and GAN models and their application. By the end of this book, you'll have built a strong foundation in neural networks and DL mathematical concepts, which will help you to confidently research and build custom models in DL. What you will learn Understand the key mathematical concepts for building neural network models Discover core multivariable calculus concepts Improve the performance of deep learning models using optimization techniques Cover optimization algorithms, from basic stochastic gradient descent (SGD) to the advanced Adam optimizer Understand computational graphs and their importance in DL Explore the backpropagation algorithm to reduce output error Cover DL algorithms such as convolutional neural networks (CNNs), sequence models, and generative adversarial networks (GANs) Who this book is for This book is for data scientists, machine learning developers, aspiring deep learning developers, or anyone who wants to understand the foundation of deep learning by learning the math behind it. Working knowledge of the Python programming language and machine learning basics is required.
Book formatPaperback
Fiction/nonfictionNon-Fiction
GenreComputing & Internet
Publication dateJune, 2020
Pages364
SubgenreMathematical & Statistical Software
Series titleNo Series
Edition1
PublisherPackt Publishing
Original languagesEnglish
LanguageEnglish
Edu focusMath & Counting
Educational levelGeneral
Is collectibleN
Recording time0 min
Retail packagingSingle Piece
Assembled product dimensions (l x w x h)7.50 x 0.75 x 9.25 in (19.1 x 1.9 x 23.5 cm)
Assembled product weight1.38 lb (630 grams)
Bisac subject headingComputers

ΠΕΡΙΓΡΑΦΗ ΤΟΥ ΠΡΟΪΟΝΤΟΣ

Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural network, (Paperback)

Έχετε κάποιο ερώτημα; Συνομιλήστε μαζί μας

Ερωτήσεις & Απαντήσεις Πελατών

  • ερώτηση: Πώς να πραγματοποιήσετε αγορές Hands-On Mathematics for Deep Learning: Build a μέσω Διαδικτύου από το Ubuy;

    απάντηση: Είναι εύκολο να ψωνίσετε Hands-On Mathematics for Deep Learning: Build a στο διαδίκτυο από το Ubuy.. Απλώς πρέπει να αναζητήσετε το προϊόν, να επιλέξετε τη μέθοδο αποστολής κατά την ολοκλήρωση της αγοράς και να το παραλάβετε στην τοποθεσία σας.
  • ερώτηση: Είναι το Hands-On Mathematics for Deep Learning: Build a διαθέσιμο για διαδικτυακές αγορές σε Greece;

    απάντηση: Ναι, στο Ubuy Greece αυτό το προϊόν είναι διαθέσιμο για αγορές σε λογική τιμή.. Το Hands-On Mathematics for Deep Learning: Build a δεν είναι διαθέσιμο τοπικά, αλλά μπορείτε να μας εμπιστευτείτε τις υπηρεσίες ταχείας αποστολής μας.
  • ερώτηση: Πόσος χρόνος χρειάζεται για να λάβετε το προϊόν μετά την υποβολή της παραγγελίας;

    απάντηση: Ο χρόνος παράδοσης του προϊόντος που παραγγείλατε ποικίλλει ανάλογα με το τι έχετε παραγγείλει και τη μέθοδο αποστολής που έχετε επιλέξει.. Ο εκτιμώμενος χρόνος παράδοσης αναφέρεται κατά τη διαδικασία του ταμείου, γι' αυτό να είστε ξέγνοιαστοι όταν ψωνίζετε.

Jay Dawani All Books Editorial Review

Δεν βρέθηκαν κριτικές σύνταξης

Customer Reviews & Ratings

4.0
1 βαθμολογίες πελατών
  • 5 αστέρι
    0%
  • 4 αστέρι
    100%
  • 3 αστέρι
    0%
  • 2 αστέρι
    0%
  • 1 αστέρι
    0%

Αξιολογήστε αυτό το προϊόν

Κοινοποιήστε τις σκέψεις σας με άλλους πελάτες

Product Price History

Σημαντικές πληροφορίες

  • Περιορισμοί : Για προϊόντα που αποστέλλονται διεθνώς, σημειώστε ότι τυχόν εγγύηση του κατασκευαστή ενδέχεται να μην είναι έγκυρη, οι επιλογές εξυπηρέτησης του κατασκευαστή ενδέχεται να μην είναι διαθέσιμες, τα εγχειρίδια, οι οδηγίες και οι προειδοποιήσεις ασφαλείας του προϊόντος ενδέχεται να μην είναι στη γλώσσα της χώρας προορισμού, τα προϊόντα (και τα συνοδευτικά υλικά) ενδέχεται να μην είναι σχεδιασμένα σύμφωνα με τα πρότυπα, τις προδιαγραφές και τις απαιτήσεις επισήμανσης της χώρας προορισμού και τα προϊόντα ενδέχεται να μην συμμορφώνονται με την τάση και άλλα ηλεκτρικά πρότυπα της χώρας προορισμού (απαιτώντας τη χρήση προσαρμογέα ή μετατροπέα, εάν χρειάζεται). Ο παραλήπτης είναι υπεύθυνος να διασφαλίσει ότι το προϊόν μπορεί να εισαχθεί νόμιμα στη χώρα προορισμού. Όταν παραγγέλνετε από το Ubuy ή τις θυγατρικές της, ο παραλήπτης είναι ο εισαγωγέας αρχείου και πρέπει να συμμορφώνεται με όλους τους νόμους και τους κανονισμούς της χώρας προορισμού.
  • Δεν είναι όλα τα προϊόντα που παρατίθενται στο Ubuy προς πώληση, καθώς το Ubuy είναι μια παγκόσμια μηχανή αναζήτησης. Τα προϊόντα υπόκεινται σε κανονισμούς εξαγωγής/εμπορίου.