شروع با TensorFlow 2.0 برای یادگیری عمیق [ویدئو]

سرفصل ها و درس ها

اصول یادگیری عمیق Deep Learning Basics

• بررسی اجمالی دوره The Course Overview

• معرفی یادگیری عمیق و تنظیم محیط Introducing Deep Learning and Setting Up the Environment

• معرفی گردش کار جهانی یادگیری عمیق Introducing the Universal Workflow of Deep Learning

• بازخوانی ریاضیات Mathematics Refresher

• مجموعه های آموزشی، اعتبار سنجی و تست Training, Validation, and Test Sets

• پیش پردازش داده ها و مهندسی ویژگی برای مدل های یادگیری عمیق Data Preprocessing and Feature Engineering for Deep Learning Models

• نشان دادن بیش برازش و عدم تناسب داده ها Demonstrating Overfitting and Underfitting of Data

TensorFlow 2.0 برای یادگیری عمیق TensorFlow 2.0 for Deep Learning

• مزایا و ویژگی های جدید TensorFlow 2.0 TensorFlow 2.0 Benefits and New Features

• شبکه های عصبی در TensorFlow 2.0 Neural Networks in TensorFlow 2.0

• دریافت و پیش پردازش مجموعه داده های MNIST Getting and Preprocessing MNIST Dataset

• ساخت شبکه عصبی برای طبقه بندی مجموعه داده CIFAR10 در نوت بوک های Jupyter Building Neural Network for Classifying CIFAR10 Dataset in Jupyter Notebooks

• TensorBoard و Callbacks TensorBoard and Callbacks

کار با CNN برای بینایی کامپیوتری و یادگیری عمیق Working with CNNs for Computer Vision and Deep Learning

• مقدمه ای بر شبکه های عصبی کانولوشنال Introduction to Convolutional Neural Networks

• بارگیری مجموعه داده و ساخت مجموعه های آموزش و آزمایش Loading the Dataset and Making Train and Test Sets

• پیش پردازش مجموعه داده Dataset Preprocessing

• ساخت مدل CNN از ابتدا با مجموعه داده های Home Objects Building CNN Model from Scratch with the Home Objects Dataset

• افزایش داده ها برای غلبه بر برازش و تولید تصاویر مشابه Data Augmentation to Overcome Overfitting and Generate Similar Images

کار با LSTM برای داده های متنی و یادگیری عمیق Working with LSTM for Text Data and Deep Learning

• معرفی LSTM و شبکه های عصبی بازگشتی Introducing LSTM and Recurrent Neural Networks

• دانلود و کار داده های متنی: N-Grams و Bag-Of-Words Downloading and Working Textual Data: N-Grams and Bag-Of-Words

• استفاده از GloVe Word Embeddings Using GloVe Word Embeddings

• ساخت یک مدل LSTM برای داده های متنی و به دست آوردن نتایج Building an LSTM Model for Text Data and Getting the Results

کار با RNN ها برای دنباله های سری زمانی و یادگیری عمیق Working with RNNs for Time Series Sequences and Deep Learning

• معرفی شبکه های عصبی بازگشتی Introducing Recurrent Neural Networks

• دریافت و پیش پردازش داده های دما Getting and Preprocessing the Temperature Data

• ساخت یک مدل RNN برای پیش بینی دما Building an RNN Model for Temperature Forecasting

رمزگذارهای خودکار AE و Denoising AE Autoencoders – AE and Denoising AE

• رمزگذارهای خودکار چیست؟ چرا از آنها استفاده می شود؟ What Are Autoencoders? Why Are They Used?

• ایجاد رمزگذارهای خودکار ساده از ابتدا با مجموعه داده Fashion-MNIST Creating Simple Autoencoders from Scratch with the Fashion-MNIST Dataset

• با رمزگذارهای خودکار عمیق عمیق بروید Going in Depth with Deep Autoencoders

• بازسازی تصاویر با انکودرهای خودکار حذف نویز Reconstruct Images with Denoising Autoencoders

مینی پروژه های یادگیری عمیق Deep Learning Mini-Projects

• TensorFlow 2.0 High Level API و Keras-API TensorFlow 2.0 High Level API and Keras-API

• دریافت و پیش پردازش مجموعه داده های IMDB برای طبقه بندی باینری Getting and Preprocessing IMDB Dataset for Binary Classification

• آماده سازی، ساخت و تأیید نتایج مجموعه داده در مجموعه داده های IMDB Dataset Preparation, Building, and Validating Results on the IMDB Dataset

• دریافت و پیش پردازش مجموعه داده رویترز برای طبقه بندی چند برچسبی Getting and Preprocessing Reuters Dataset for Multi-Label Classification

• آماده سازی مجموعه داده، ساخت و تأیید نتایج در مجموعه داده رویترز Dataset Preparation, Building, and Validating Results on the Reuters Dataset

• دریافت و پیش پردازش مجموعه داده برای تجزیه و تحلیل رگرسیون Getting and Preprocessing Dataset for Regression Analysis

• آماده سازی مجموعه داده در مجموعه داده قیمت مسکن بوستون Dataset Preparation on the Boston Housing Price Dataset