آموزش یادگیری عمیق با Keras و کاربردهای عملی - آخرین آپدیت

دانلود Deep Learning with Keras and Practical Applications

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و در لحظه که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. در این دوره جامع و دقیق، سفری کامل به دنیای یادگیری عمیق با Keras را آغاز کنید. دوره با یک مقدمه جذاب در مورد ایجاد مدل طبقه‌بندی چندکلاسه برای ارزیابی کیفیت شراب قرمز شروع می‌شود. شما یاد می‌گیرید که چگونه داده‌ها را فراخوانی، بارگذاری و آماده کنید و سپس از تحلیل اکتشافی داده‌ها (EDA) و بصری‌سازی برای کشف بینش‌ها و الگوها استفاده کنید. در ادامه، به تعریف، کامپایل، برازش (Fit) و بهینه‌سازی مدل می‌پردازید تا در نهایت برای پیش‌بینی دقیق کیفیت شراب از آن استفاده کنید. با تکیه بر این بنیاد، دوره به دنیای جذاب پردازش تصاویر دیجیتال وارد می‌شود. شما مبانی تصاویر دیجیتال را بررسی کرده و سپس جلسات عملی پردازش تصویر با استفاده از توابع Keras را می‌گذرانید. تکنیک‌های پیشرفته‌ای مانند افزایش داده‌های تصویری (Image Augmentation)، هم برای تک تصویر و هم بر اساس دایرکتوری، به‌طور مفصل پوشش داده شده‌اند. همچنین شبکه‌های عصبی پیچشی (CNN) معرفی شده و شما را در ساخت مدل، آموزش و بهینه‌سازی، به‌ویژه برای طبقه‌بندی تصاویر گل‌ها، راهنمایی می‌کنند. سفر در اینجا متوقف نمی‌شود. شما وارد حوزه یادگیری انتقالی (Transfer Learning) با مدل‌های پیش‌آموزش‌دیده مانند VGG16 و VGG19 می‌شوید و از قدرت آن‌ها برای بهبود عملکرد مدل بهره می‌برید. جلسات عملی در مورد استفاده از GPU گوگل کولب (Google Colab) برای یادگیری انتقالی، تجربه عملی شما را در جریان‌های کاری مدرن یادگیری عمیق تضمین می‌کند. در پایان این دوره، درک محکمی از به‌کارگیری Keras در مسائل دنیای واقعی، از پیش‌پردازش داده‌ها تا استقرار مدل، خواهید داشت. این دوره برای دانشمندان داده، مهندسان یادگیری ماشین و متخصصان فنی که درک پایه‌ای از برنامه‌نویسی پایتون و مفاهیم یادگیری ماشین دارند، ایده‌آل است. هیچ تجربه قبلی در Keras مورد نیاز نیست، هرچند آشنایی با شبکه‌های عصبی و فریم‌ورک‌های یادگیری عمیق مفید خواهد بود.

سرفصل ها و درس ها

مقدمه مدل طبقه‌بندی چندکلاسه کیفیت شراب قرمز Redwine Quality Multiclass Classification Model - Introduction

  • مقدمه مدل طبقه‌بندی چندکلاسه کیفیت شراب قرمز Redwine Quality Multiclass Classification Model - Introduction

گام اول: فراخوانی و بارگذاری داده‌ها Step1 - Fetch and Load Data

  • گام اول: فراخوانی و بارگذاری داده‌ها Step1 - Fetch and Load Data

گام دوم: تحلیل اکتشافی داده‌ها (EDA) و بصری‌سازی Step 2 - EDA and Data Visualization

  • گام دوم: تحلیل اکتشافی داده‌ها (EDA) و بصری‌سازی Step 2 - EDA and Data Visualization

گام سوم: تعریف مدل Step 3 - Defining the Model

  • گام سوم: تعریف مدل Step 3 - Defining the Model

گام چهارم: کامپایل، برازش و ترسیم نمودار مدل Step 4 - Compile, Fit, and Plot the Model

  • گام چهارم: کامپایل، برازش و ترسیم نمودار مدل Step 4 - Compile, Fit, and Plot the Model

گام پنجم: پیش‌بینی کیفیت شراب با استفاده از مدل Step 5 - Predicting Wine Quality Using Model

  • گام پنجم: پیش‌بینی کیفیت شراب با استفاده از مدل Step 5 - Predicting Wine Quality Using Model

سریال‌سازی و ذخیره مدل آموزش‌دیده برای استفاده‌های بعدی Serialize and Save Trained Model for Later Usage

  • سریال‌سازی و ذخیره مدل آموزش‌دیده برای استفاده‌های بعدی Serialize and Save Trained Model for Later Usage

مبانی تصاویر دیجیتال Digital Image Basics

  • مبانی تصاویر دیجیتال Digital Image Basics

پردازش پایه تصاویر با استفاده از توابع Keras Basic Image Processing Using Keras Functions

  • پردازش پایه تصاویر با توابع Keras - بخش اول Basic Image Processing Using Keras Functions - Part 1

  • پردازش پایه تصاویر با توابع Keras - بخش دوم Basic Image Processing Using Keras Functions - Part 2

  • پردازش پایه تصاویر با توابع Keras - بخش سوم Basic Image Processing using Keras Functions - Part 3

افزایش داده‌های تک تصویر در Keras Keras Single Image Augmentation

  • افزایش داده‌های تک تصویر در Keras - بخش اول Keras Single Image Augmentation - Part 1

  • افزایش داده‌های تک تصویر در Keras - بخش دوم Keras Single Image Augmentation - Part 2

افزایش داده‌های تصویری بر اساس دایرکتوری در Keras Keras Directory Image Augmentation

  • افزایش داده‌های تصویری بر اساس دایرکتوری در Keras Keras Directory Image Augmentation

افزایش داده‌های دیتافریم در Keras Keras Data Frame Augmentation

  • افزایش داده‌های دیتافریم در Keras Keras Data Frame Augmentation

مبانی شبکه‌های عصبی پیچشی (CNN) CNN Basics

  • مبانی شبکه‌های عصبی پیچشی (CNN) CNN Basics

مفاهیم Stride، Padding و Flattening در CNN Stride, Padding, and Flattening Concepts of CNN

  • مفاهیم Stride، Padding و Flattening در CNN Stride, Padding, and Flattening Concepts of CNN

مدل طبقه‌بندی تصاویر گل با CNN: فراخوانی، بارگذاری و آماده‌سازی داده‌ها Flowers CNN Image Classification Model - Fetch, Load, and Prepare Data

  • مدل طبقه‌بندی تصاویر گل با CNN: فراخوانی، بارگذاری و آماده‌سازی داده‌ها Flowers CNN Image Classification Model - Fetch, Load, and Prepare Data

طبقه‌بندی گل‌ها با CNN: ایجاد پوشه‌های تست و آموزش Flowers Classification CNN - Create Test and Train Folders

  • طبقه‌بندی گل‌ها با CNN: ایجاد پوشه‌های تست و آموزش Flowers Classification CNN - Create Test and Train Folders

طبقه‌بندی گل‌ها با CNN: تعریف مدل Flowers Classification CNN - Defining the Model

  • طبقه‌بندی گل‌ها با CNN: تعریف مدل - بخش اول Flowers Classification CNN - Defining the Model - Part 1

  • طبقه‌بندی گل‌ها با CNN: تعریف مدل - بخش دوم Flowers Classification CNN - Defining the Model - Part 2

  • طبقه‌بندی گل‌ها با CNN: تعریف مدل - بخش سوم Flowers Classification CNN - Defining the Model - Part 3

طبقه‌بندی گل‌ها با CNN: آموزش و بصری‌سازی Flowers Classification CNN - Training and Visualization

  • طبقه‌بندی گل‌ها با CNN: آموزش و بصری‌سازی Flowers Classification CNN - Training and Visualization

طبقه‌بندی گل‌ها با CNN: ذخیره مدل برای استفاده‌های بعدی Flowers Classification CNN - Save Model for Later Use

  • طبقه‌بندی گل‌ها با CNN: ذخیره مدل برای استفاده‌های بعدی Flowers Classification CNN - Save Model for Later Use

طبقه‌بندی گل‌ها با CNN: بارگذاری مدل ذخیره شده و پیش‌بینی Flowers Classification CNN - Load Saved Model and Predict

  • طبقه‌بندی گل‌ها با CNN: بارگذاری مدل ذخیره شده و پیش‌بینی Flowers Classification CNN - Load Saved Model and Predict

طبقه‌بندی گل‌ها با CNN: مقدمه‌ای بر تکنیک‌های بهینه‌سازی Flowers Classification CNN - Optimization Techniques - Introduction

  • طبقه‌بندی گل‌ها با CNN: مقدمه‌ای بر تکنیک‌های بهینه‌سازی Flowers Classification CNN - Optimization Techniques - Introduction

طبقه‌بندی گل‌ها با CNN: منظم‌سازی Dropout Flowers Classification CNN - Dropout Regularization

  • طبقه‌بندی گل‌ها با CNN: منظم‌سازی Dropout Flowers Classification CNN - Dropout Regularization

طبقه‌بندی گل‌ها با CNN: بهینه‌سازی Padding و فیلترها Flowers Classification CNN - Padding and Filter Optimization

  • طبقه‌بندی گل‌ها با CNN: بهینه‌سازی Padding و فیلترها Flowers Classification CNN - Padding and Filter Optimization

طبقه‌بندی گل‌ها با CNN: بهینه‌سازی افزایش داده‌ها (Augmentation) Flowers Classification CNN - Augmentation Optimization

  • طبقه‌بندی گل‌ها با CNN: بهینه‌سازی افزایش داده‌ها (Augmentation) Flowers Classification CNN - Augmentation Optimization

تنظیم هایپرپارامترها Hyperparameter Tuning

  • تنظیم هایپرپارامترها - بخش اول Hyperparameter Tuning - Part 1

  • تنظیم هایپرپارامترها - بخش دوم Hyperparameter Tuning - Part 2

یادگیری انتقالی با مدل‌های پیش‌آموزش‌دیده: مقدمه VGG Transfer Learning Using Pre-Trained Models - VGG Introduction

  • یادگیری انتقالی با مدل‌های پیش‌آموزش‌دیده: مقدمه VGG Transfer Learning Using Pre-Trained Models - VGG Introduction

پیش‌بینی با مدل‌های VGG16 و VGG19 VGG16 and VGG19 Prediction

  • پیش‌بینی با مدل‌های VGG16 و VGG19 - بخش اول VGG16 and VGG19 Prediction- Part 1

  • پیش‌بینی با مدل‌های VGG16 و VGG19 - بخش دوم VGG16 and VGG19 Prediction- Part 2

پیش‌بینی با مدل ResNet50 ResNet50 Prediction

  • پیش‌بینی با مدل ResNet50 ResNet50 Prediction

آموزش یادگیری انتقالی VGG16 روی مجموعه داده گل‌ها VGG16 Transfer Learning Training Flowers Dataset

  • آموزش یادگیری انتقالی VGG16 روی مجموعه داده گل‌ها - بخش اول VGG16 Transfer Learning Training Flowers Dataset - part 1

  • آموزش یادگیری انتقالی VGG16 روی مجموعه داده گل‌ها - بخش دوم VGG16 Transfer Learning Training Flowers Dataset - Part 2

پیش‌بینی گل‌ها با یادگیری انتقالی VGG16 VGG16 Transfer Learning Flower Prediction

  • پیش‌بینی گل‌ها با یادگیری انتقالی VGG16 VGG16 Transfer Learning Flower Prediction

یادگیری انتقالی VGG16 با GPU گوگل کولب: آماده‌سازی و آپلود مجموعه داده VGG16 Transfer Learning Using Google Colab GPU - Preparing and Uploading Dataset

  • یادگیری انتقالی VGG16 با GPU گوگل کولب: آماده‌سازی و آپلود مجموعه داده VGG16 Transfer Learning Using Google Colab GPU - Preparing and Uploading Dataset

یادگیری انتقالی VGG16 با GPU گوگل کولب: آموزش و پیش‌بینی VGG16 Transfer Learning Using Google Colab GPU - Training and Prediction

  • یادگیری انتقالی VGG16 با GPU گوگل کولب: آموزش و پیش‌بینی VGG16 Transfer Learning Using Google Colab GPU - Training and Prediction

یادگیری انتقالی VGG19 با GPU گوگل کولب: آموزش و پیش‌بینی VGG19 Transfer Learning Using Google Colab GPU - Training and Prediction

  • یادگیری انتقالی VGG19 با GPU گوگل کولب: آموزش و پیش‌بینی VGG19 Transfer Learning Using Google Colab GPU - Training and Prediction

نمایش نظرات

آموزش یادگیری عمیق با Keras و کاربردهای عملی
جزییات دوره
9h 44m
41
(آخرین آپدیت)
244
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده