آموزش درک مبانی TensorFlow

Understanding the Foundations of TensorFlow

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره به معرفی TensorFlow ، یک کتابخانه جریان داده منبع باز برای محاسبات عددی با استفاده از نمودارهای جریان داده می پردازد. در این دوره ، با درک مبانی TensorFlow ، از همان اصول اولیه کتابخانه TensorFlow را خواهید آموخت. ابتدا ، شما با اصول یادگیری ماشین با استفاده از رگرسیون خطی به عنوان مثال شروع خواهید کرد و بر درک مفاهیم اساسی در TensorFlow تمرکز خواهید کرد. در ادامه ، نحوه استفاده از آنها در یادگیری ماشین ، مفهوم تنسور ، آناتومی یک برنامه ساده ، ساختارهای اساسی مانند ثابت ها ، متغیرها ، متغیرها ، جلسات و نمودار محاسبه را کشف خواهید کرد. سپس ، با TensorBoard ، ابزار تجسم برای مشاهده و اشکال زدایی نمودارهای جریان داده ، آشنا خواهید شد. برای دیدن نحوه انجام محاسبات رایج ، با عملیات پایه ریاضی و تغییر شکل تصویر کار خواهید کرد. سرانجام ، شما یک مسئله یادگیری ماشین در دنیای واقعی را با استفاده از مجموعه داده دست نویس MNIST و الگوریتم k نزدیکترین همسایگان حل خواهید کرد. با پایان این دوره ، شما درک بهتری از مبانی TensorFlow خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

معرفی TensorFlow Introducing TensorFlow

  • پیش نیازها و بررسی اجمالی دوره Prerequisites and Course Overview

  • الگوریتم های سنتی ML Traditional ML Algorithms

  • نمایندگی الگوریتم های ML Representation ML Algorithms

  • شبکه های عصبی یادگیری عمیق Deep Learning and Neural Networks

  • معرفی TensorFlow Introducing TensorFlow

  • جهان به عنوان یک نمودار The World as a Graph

  • بارگیری و نصب TensorFlow Downloading and Installing TensorFlow

معرفی نمودارهای محاسبه Introducing Computation Graphs

  • نمودار محاسبه The Computation Graph

  • مدل سازی وابستگی های حلقوی Modeling Cyclic Dependencies

  • ساخت ، اجرا و تجسم نمودارها Building, Running, and Visualizing Graphs

  • نمودارهای محاسبه و سیستم های توزیع شده Computation Graphs and Distributed Systems

  • عملیات ریاضی ساده Simple Math Operations

  • تنسورها Tensors

  • رتبه یک تانسور Rank of a Tensor

  • ریاضی تانسور Tensor Math

  • Numpy و TensorFlow Numpy and TensorFlow

حفاری عمیق تر در اصول Digging Deeper into Fundamentals

  • یک مثال TensorFlow: رگرسیون خطی A TensorFlow Example: Linear Regression

  • رگرسیون خطی در عمل Linear Regression in Practice

  • متغیرهایی Placeholders

  • واکشی ها و دیکشنری Feed Fetches and the Feed Dictionary

  • متغیرها Variables

  • نمودارهای پیش فرض و صریحاً مشخص شده Default and Explicitly Specified Graphs

  • محدوده ها Named Scopes

  • جلسات تعاملی Interactive Sessions

  • بررسی اجمالی سریع: رگرسیون خطی در TensorFlow Quick Overview: Linear Regression in TensorFlow

کار با تصاویر Working with Images

  • شناسایی تصویر و شبکه های عصبی Image Recognition and Neural Networks

  • نمایش تصاویر به عنوان تنسور Representing Images as Tensors

  • انتقال تصاویر Transposing Images

  • تغییر اندازه تصاویر Resizing Images

  • نمایش لیست تصاویر به عنوان یک سنسور 4D Representing a List of Images as a 4D Tensor

حل توابع ریاضی پایه Solving Basic Math Functions

  • مجموعه داده های MNIST The MNIST Dataset

  • الگوریتم نزدیکترین همسایگان K The K-nearest-neighbors Algorithm

  • فاصله L1 L1 Distance

  • KNN در TensorFlow KNN in TensorFlow

  • محاسبه L1 در TensorFlow Calculating L1 in TensorFlow

  • اندازه گیری دقت Measuring Accuracy

نمایش نظرات

آموزش درک مبانی TensorFlow
جزییات دوره
2h 44m
37
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
141
4.6 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.