آموزش Tensorflow و Keras برای شبکه های عصبی و یادگیری عمیق

Tensorflow and Keras For Neural Networks and Deep Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تسلط بر مهم ترین چارچوب های یادگیری عمیق (Tensorflow و Keras) برای علوم داده پایتون مهار قدرت Anaconda/iPython برای علم داده های عملی یاد بگیرید چگونه Tensorflow را نصب و استفاده کنید در Anaconda پیاده سازی آمار و یادگیری ماشینی با Tensorflow پیاده سازی مدل سازی شبکه عصبی با Tensorflow و Keras پیاده سازی یادگیری بدون نظارت مبتنی بر یادگیری عمیق با Tensorflow و Keras پیاده سازی یادگیری عمیق مبتنی بر یادگیری نظارت شده با Tensorflow و Keras پیاده سازی شبکه های عصبی کانولوشن با Tensorflow و Keras پیش نیازها: قادر به کار و نصب نرم افزار بر روی رایانه باشید. قرار گرفتن در معرض مفاهیم اولیه آماری مفید خواهد بود.

این یک آموزش کامل یادگیری عمیق شبکه های عصبی با TENSORFLOW KERAS در پایتون است!

این یک راه‌اندازی کامل ۷ ساعته Python Tensorflow Keras است که به شما کمک می‌کند یادگیری ماشینی اولیه، شبکه‌های عصبی و یادگیری عمیق را با استفاده از دو مورد از مهم‌ترین چارچوب‌های یادگیری عمیق - Tensorflow و Keras بیاموزید.

به همین دلیل باید در این دوره ثبت نام کنید:

این دوره راهنمای کامل شما برای یادگیری عمیق ماشینی عملی با استفاده از چارچوب Tensorflow Keras در پایتون است..

این بدان معناست که این دوره جنبه های مهم Keras و Tensorflow (فریم ورک قدرتمند یادگیری عمیق گوگل) را پوشش می دهد و اگر این دوره را گذرانده اید، می توانید از گذراندن دوره های دیگر یا خرید کتاب در مورد Python Tensorflow و علم داده مبتنی بر Keras صرف نظر کنید.

در این عصر کلان داده، شرکت‌ها در سراسر جهان از پایتون برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده می‌کنند و ظهور Tensorflow و Keras در یادگیری عمیق انقلابی ایجاد می‌کند...

با کسب مهارت در Keras و و Tensorflow، می توانید به شرکت خود مزیت رقابتی بدهید و حرفه خود را به سطح بعدی ارتقا دهید.

این وعده من به شما است: این یک دوره را تکمیل کنید  در علم عملی KERAS مبتنی بر TENSORFLOW به یک حرفه‌ای تبدیل شوید!

اما اول از همه. نام من   Minerva Singh است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافی و محیط زیست) هستم. من اخیراً یک دکترا را در دانشگاه کمبریج (اکولوژی و حفاظت از محیط گرمسیری) به پایان رساندم.

من چندین سال تجربه در تجزیه و تحلیل داده‌های واقعی از منابع مختلف با استفاده از تکنیک‌های مرتبط با علم داده و تولید انتشارات برای مجلات بین‌المللی بررسی شده دارم.

 در طول تحقیقاتم متوجه شدم که تقریباً تمام دوره‌ها و کتاب‌های علوم داده پایتون موجود در آنجا، ماهیت چند بعدی موضوع را در نظر نمی‌گیرند و از علم داده به جای یادگیری ماشین استفاده می‌کنند.

این به دانش آموزان دانش ناقصی از موضوع می دهد. از سوی دیگر، دوره من به شما پایه ای قوی در تمام جنبه های علم داده در چارچوب Tensorflow می دهد.

برخلاف سایر دوره‌های پایتون، ما ویژگی‌های مدل‌سازی آماری Tensorflow Keras را عمیقاً بررسی می‌کنیم و به شما پایه‌ای بی‌نظیر در این چارچوب‌ها می‌دهیم!

کشف 8 بخش کامل که به هر جنبه ای از علم داده TENSORFLOW مبتنی بر پایتون می پردازد:

• معرفی کامل علوم داده پایتون و چارچوب قدرتمند مبتنی بر پایتون برای علم داده، Anaconda
• شروع به کار با نوت بوک های Jupyter برای پیاده سازی تکنیک های علم داده در پایتون
• ارائه جامع درباره نصب Tensorflow Keras و معرفی مختصر سایر بسته های علوم داده پایتون
• معرفی مختصر به کار پانداها و نومپی
• مبانی نحو Tensorflow و محیط نموداری
• اصول نحو کراس
• ماشین یادگیری، یادگیری تحت نظارت، یادگیری بدون نظارت در چارچوب های Tensorflow Keras
• شما حتی خواهید فهمید که چگونه شبکه های عصبی مصنوعی و ساختارهای یادگیری عمیق را با Tensorflow Keras ایجاد کنید

اما، صبر کنید! این فقط یک دوره دیگر علم داده نیست:

شما با جذب ارزشمندترین اصول و تکنیک‌های Python Tensorflow و Keras شروع خواهید کرد.

من برای ساده‌سازی و پرداختن به سخت‌ترین مفاهیم از روش‌های ساده و قابل درک استفاده می‌کنم.

دوره آموزشی من به شما کمک می‌کند روش‌ها را با استفاده از داده‌های واقعی به‌دست‌آمده از منابع مختلف پیاده‌سازی کنید. بسیاری از دوره‌ها از داده‌های ساختگی استفاده می‌کنند که دانش‌آموزان را قادر به پیاده‌سازی علوم داده مبتنی بر پایتون در زندگی واقعی نمی‌کند.

بعد از گذراندن این دوره، به راحتی از بسته هایی مانند Numpy، Pandas و Matplotlib برای کار با داده های واقعی در پایتون و همچنین تسلط بر Tensorflow و Keras استفاده خواهید کرد. من حتی شما را با مدل های یادگیری عمیق مانند شبکه عصبی کانولوشن (CNN) معرفی می کنم !!

انگیزه اساسی برای دوره این است که اطمینان حاصل کنید که می توانید امروز علم داده مبتنی بر پایتون را بر روی داده های واقعی در عمل به کار ببرید، تجزیه و تحلیل داده ها را برای پروژه های خود در هر سطح مهارت خود شروع کنید، و کارفرمایان بالقوه خود را با مثال های واقعی از علم داده خود تحت تاثیر قرار دهید. توانایی ها.

این دوره، دانش‌آموزان را بدون پیش‌زمینه قبلی پایتون و/یا آمار از سطح پایه به انجام برخی از رایج‌ترین تکنیک‌های پیشرفته علم داده با استفاده از نوت‌بوک‌های قدرتمند مبتنی بر پایتون Jupyter می‌برد

این یک دوره عملی و عملی است، یعنی مدتی را صرف پرداختن به برخی از مفاهیم نظری مرتبط با علم داده خواهیم کرد. با این حال، اکثر دوره بر روی پیاده‌سازی تکنیک‌های مختلف بر روی داده‌های واقعی و تفسیر نتایج تمرکز دارد..

بعد از هر ویدیو، مفهوم یا تکنیک جدیدی را یاد خواهید گرفت که می‌توانید در پروژه‌های خود به کار ببرید!

همین حالا به دوره بپیوندید!


سرفصل ها و درس ها

مقدمه دوره: مفاهیم کلیدی و ابزار نرم افزار INTRODUCTION TO THE COURSE: The Key Concepts and Software Tools

  • مقدمه دوره Introduction to the Course

  • داده ها و اسکریپت های دوره Data and Scripts For the Course

  • محیط علم داده پایتون Python Data Science Environment

  • برای کاربران مک For Mac Users

  • مقدمه ای بر IPython Introduction to IPython

  • Tensorflow را نصب کنید Install Tensorflow

  • دستورالعمل های کتبی نصب Tensorflow Written Tensorflow Installation Instructions

  • Keras را روی ویندوز 10 نصب کنید Install Keras on Windows 10

  • Keras را در مک نصب کنید Install Keras on Mac

  • دستورالعمل های کتبی نصب Keras Written Keras Installation Instructions

مقدمه ای بر بسته های علوم داده پایتون Introduction to Python Data Science Packages

  • بسته های پایتون برای علم داده Python Packages for Data Science

  • معرفی Numpy Introduction to Numpy

  • آرایه های Numpy ایجاد کنید Create Numpy Arrays

  • عملیات Numpy Numpy Operations

  • Numpy برای عملیات آماری Numpy for Statistical Operation

  • آشنایی با پانداها Introduction to Pandas

  • در داده ها از CSV بخوانید Read in Data from CSV

  • داده ها را از اکسل بخوانید Read in Data from Excel

  • پاکسازی داده های اولیه Basic Data Cleaning

مقدمه ای بر TensorFlow Introduction to TensorFlow

  • تاچ داون مختصر A Brief Touchdown

  • یک حرکت کوتاه: نمودارهای محاسباتی A Brief Touchdown: Computational Graphs

  • عملگرهای ریاضی رایج در تنسورفلو Common Mathematical Operators in Tensorflow

  • یک جلسه تنسورفلو A Tensorflow Session

  • جلسه تنسورفلو تعاملی Interactive Tensorflow Session

  • ثابت ها و متغیرها در تنسورفلو Constants and Variables in Tensorflow

  • متغیرهایی در تنسورفلو Placeholders in Tensorflow

معرفی کراس Introduction to Keras

  • کراس چیست What is Keras

برخی از برنامه های اولیه Tensorflow و Keras Some Preliminary Tensorflow and Keras Applications

  • نظریه رگرسیون خطی (OLS) Theory of Linear Regression (OLS)

  • OLS از اصول اول OLS From First Principles

  • نتایج OLS را تجسم کنید Visualize the Results of OLS

  • رگرسیون چندگانه با تنسورفلو - قسمت 1 Multiple Regression With Tensorflow-Part 1

  • تخمین با برآوردگرهای تنسورفلو Estimate With Tensorflow Estimators

  • رگرسیون چندگانه با برآوردگرهای تنسورفلو Multiple Regression With Tensorflow Estimators

  • اطلاعات بیشتر در مورد برآوردگر رگرسیون خطی More on Linear Regressor Estimator

  • GLM: مدل خطی تعمیم یافته GLM: Generalized Linear Model

  • طبقه بندی خطی برای طبقه بندی باینری Linear Classifier For Binary Classification

  • ارزیابی دقت برای طبقه بندی باینری Accuracy Assessment For Binary Classification

  • طبقه بندی خطی با طبقه بندی باینری با پیش بینی های مختلط Linear Classification with Binary Classification With Mixed Predictors

  • طبقه بندی سافت مکس با تنسورفلو Softmax Classification With Tensorflow

برخی از مفاهیم اساسی Some Basic Concepts

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • نظریه پشت ANN (شبکه عصبی مصنوعی) و DNN (شبکه های عصبی عمیق) Theory Behind ANN (Artificial Neural Network) and DNN (Deep Neural Networks)

یادگیری بدون نظارت با تنسورفلو و کراس Unsupervised Learning With Tensorflow and Keras

  • یادگیری بدون نظارت چیست؟ What is Unsupervised Learning?

  • رمزگذارهای خودکار برای طبقه بندی بدون نظارت Autoencoders for Unsupervised Classification

  • رمزگذارهای خودکار در Tensorflow (مشکل کلاس باینری) Autoencoders in Tensorflow (Binary Class Problem)

  • رمزگذارهای خودکار در Tensorflow (کلاس های چندگانه) Autoencoders in Tensorflow (Multiple Classes)

  • رمزگذارهای خودکار در Keras (محدودیت های پراکندگی) Autoencoders in Keras (Sparsity Constraints)

  • رمزگذارهای خودکار در Keras (ساده) Autoencoders in Keras (Simple)

  • رمزگذار خودکار عمیق با Keras Deep Autoencoder With Keras

شبکه عصبی برای تنسورفلو و کراس Neural Network for Tensorflow & Keras

  • پرسپترون چند لایه (MLP) با تنسورفلو Multi Layer Perceptron (MLP) with Tensorflow

  • پرسپترون چند لایه (MLP) با Keras Multi Layer Perceptron (MLP) With Keras

  • Keras MLP برای طبقه بندی باینری Keras MLP For Binary Classification

  • Keras MLP برای طبقه بندی چند کلاسه Keras MLP for Multiclass Classification

  • Keras MLP برای رگرسیون Keras MLP for Regression

یادگیری عمیق برای تنسورفلو و کراس Deep Learning For Tensorflow & Keras

  • هوش مصنوعی چیست؟ What is Artificial Intelligence?

  • طبقه بندی شبکه عصبی عمیق (DNN) با تنسورفلو Deep Neural Network (DNN) Classifier With Tensorflow

  • طبقه‌بندی شبکه عصبی عمیق (DNN) با پیش‌بینی‌کننده‌های مختلط Deep Neural Network (DNN) Classifier With Mixed Predictors

  • رگرسیون شبکه عصبی عمیق (DNN) با تنسورفلو Deep Neural Network (DNN) Regression With Tensorflow

  • یادگیری گسترده و عمیق (Tensorflow) Wide & Deep Learning (Tensorflow)

  • طبقه بندی کننده DNN با Keras DNN Classifier With Keras

  • طبقه بندی DNN با Keras-مثال 2 DNN Classifier With Keras-Example 2

شبکه عصبی پیچشی (CNN) برای تجزیه و تحلیل تصویر Convolution Neural Network (CNN) For Image Analysis

  • مقدمه ای بر CNN Introduction to CNN

  • یک CNN برای طبقه بندی نظارت شده چند کلاسه اجرا کنید Implement a CNN for Multi-Class Supervised Classification

  • توابع فعال سازی Activation Functions

  • بیشتر در CNN More on CNN

  • پیش نیاز برای کار با داده های تصویری Pre-Requisite For Working With Imagery Data

  • CNN در مورد داده های تصویری - قسمت 1 CNN on Image Data-Part 1

  • CNN در مورد داده های تصویری - قسمت 2 CNN on Image Data-Part 2

  • اطلاعات بیشتر در مورد TFLearn More on TFLearn

  • گردش کار CNN برای Keras CNN Workflow for Keras

  • CNN با Keras CNN With Keras

  • CNN در مورد داده های تصویری با Keras-Part 1 CNN on Image Data with Keras-Part 1

  • CNN در مورد داده های تصویری با Keras-Part 2 CNN on Image Data with Keras-Part 2

رمزگذارهای خودکار با شبکه های عصبی پیچشی (CNN) Autoencoders With Convolution Neural Networks (CNN)

  • رمزگذارهای خودکار برای With CNN-Tensorflow Autoencoders for With CNN- Tensorflow

  • رمزگذارهای خودکار برای با CNN- Keras Autoencoders for With CNN- Keras

شبکه های عصبی مکرر (RNN) Recurrent Neural Networks (RNN)

  • نظریه پشت RNN ها Theory Behind RNNs

  • LSTM برای داده های سری زمانی LSTM For Time Series Data

  • LSTM برای پیش بینی قیمت سهام LSTM for Predicting Stock Prices

بخش متفرقه Miscellaneous Section

  • از Colabs برای Jupyter Data Science استفاده کنید Use Colabs for Jupyter Data Science

  • Github Github

  • علم داده چیست؟ What Is Data Science?

نمایش نظرات

آموزش Tensorflow و Keras برای شبکه های عصبی و یادگیری عمیق
جزییات دوره
8 hours
80
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
10,759
4.4 از 5
دارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم