لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش عمیق را در R با Keras و دیگران کامل کنید
Complete Deep Learning In R With Keras & Others
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری عمیق: بر ابزارهای یادگیری عمیق قدرتمند در R مانند Keras، Mxnet، H2O و دیگران مسلط شوید که میتوانید از قدرت R برای علم دادههای عملی استفاده کنید استاد نظریه شبکههای عصبی مصنوعی (ANN) و شبکههای عصبی عمیق (DNN) پیادهسازی ANN برای مشکلات طبقه بندی و رگرسیون در R آموزش پیاده سازی هر دو ANN و DNN با استفاده از بسته H2o زبان برنامه نویسی R آموزش پیاده سازی هر دو ANN و DNN با استفاده از بسته MxNet زبان برنامه نویسی R مقدمه ای بر شبکه های عصبی کانولوشن (CNN) برای پیاده سازی طبقه بندی تصاویر CNN ها با استفاده از Keras پیش نیازها: قادر به کار و نصب نرم افزار بر روی رایانه قرار گرفتن در معرض عبارات رایج یادگیری ماشینی مانند یادگیری بدون نظارت و نظارت قرار گرفتن قبل از اینکه شبکه های عصبی چه هستند و برای چه چیزی می توانند استفاده شوند
راهنمای کامل شما برای یادگیری عمیق شبکه های عصبی مصنوعی در R:
این دوره جنبههای اصلی شبکههای عصبی و یادگیری عمیق را پوشش میدهد. اگر این دوره را می گذرانید، می توانید از گذراندن دوره های دیگر یا خرید کتاب های علوم داده مبتنی بر R صرف نظر کنید.
در این عصر کلان داده، شرکتها در سرتاسر جهان از R برای بررسی بهمن اطلاعاتی که در اختیار دارند استفاده میکنند. با مهارت در شبکه های عصبی و یادگیری عمیق در R، می توانید به شرکت خود مزیت رقابتی بدهید و حرفه خود را به سطح بعدی ارتقا دهید!
از یک دانشمند داده خبره بیاموزید:
نام من مینروا سینگ است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافیا و محیط زیست) هستم. من اخیراً یک دکترا را در دانشگاه کمبریج به پایان رساندم.
من +5 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 دادههای R در آنجا ماهیت چندبعدی موضوع را توضیح نمیدهند.
این دوره به شما پایهای قوی در جنبههای اصلی شبکههای عصبی کاربردی و یادگیری عمیق میدهد.
برخلاف سایر مربیان R، من ویژگیهای علم داده R را عمیقاً بررسی میکنم و به شما پایهای بینظیر در علم داده میدهم...
شما از انجام پاکسازی خواندن دادهها تا در نهایت پیادهسازی شبکههای عصبی قدرتمند و الگوریتمهای یادگیری عمیق و ارزیابی عملکرد آنها با استفاده از R.
خواهید رفت.
از جمله موارد دیگر:
با بستههای قدرتمند یادگیری عمیق مبتنی بر R مانند h2o و MXNET آشنا خواهید شد.
شما با شبکه های عصبی عمیق (DNN)، شبکه های عصبی کانولوشن (CNN) و روش های بدون نظارت آشنا خواهید شد.
میآموزید که چگونه شبکههای عصبی کانولوشنال (CNN) را بر روی دادههای تصویری با استفاده از چارچوب Keras پیادهسازی کنید
شما یاد خواهید گرفت که این چارچوبها را برای دادههای واقعی از جمله دادههای تقلب کارت اعتباری، دادههای تومور، تصاویر در میان سایر موارد برای طبقهبندی و برنامههای رگرسیون به کار ببرید.
با این دوره، کلیدهای کل شبکه های عصبی R و Deep Learning Kingdom را خواهید داشت!
هیچ تحقیق قبلی یا آمار/دانش یادگیری ماشینی مورد نیاز نیست:
شما با جذب ارزشمندترین اصول و تکنیک های R Data Science شروع خواهید کرد. من از روشهای ساده و کاربردی برای سادهسازی و پرداختن به سختترین مفاهیم در R 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 علم داده مبتنی بر R در زندگی واقعی نمیکند.
بعد از گذراندن این دوره، به راحتی از بستههای علوم داده مانند caret، h2o، mxnet، keras برای پیادهسازی تکنیکهای جدید یادگیری عمیق در R استفاده میکنید. با دادههای واقعی، از جمله دادههای تصاویر واقعی، دست خود را کثیف خواهید کرد. که پیش پردازش و مدلسازی آن را یاد خواهید گرفت
حتی مفاهیم اساسی را درک خواهید کرد تا بفهمید کدام الگوریتمها و روشهایی برای دادههای شما مناسبتر هستند.
ما همچنین با داده های واقعی کار خواهیم کرد و شما به تمام کدها و داده های استفاده شده در دوره دسترسی خواهید داشت.
همین حالا به دوره من 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 و کد
Data and Code
R و RStudio را نصب کنید
Install R and RStudio
MXnet را در R و RStudio نصب کنید
Install MXnet in R and RStudio
Mxnet را در دستورالعمل های نوشته شده R نصب کنید
Install Mxnet in R- Written Instructions
H2o را نصب کنید
Install H2o
کراس چیست؟
What is Keras?
Keras را در R نصب کنید
Install Keras in R
متداول ترین انواع داده ای که با آن مواجه خواهیم شد چیست؟
What Are the Most Common Data Types We Will Encounter?
دسترسی اولیه به داده ها و پیش پردازش در R
Basic Data Access & Pre-Processing in R
در داده ها از فایل های CSV و Excel بخوانید
Read in Data From CSV and Excel Files
در داده ها از جداول HTML آنلاین - قسمت 1 بخوانید
Read in Data from Online HTML Tables-Part 1
در داده ها از جداول HTML آنلاین - قسمت 2 بخوانید
Read in Data from Online HTML Tables-Part 2
کار با داده های خارجی در H2o
Working with External Data in H2o
حذف NA
Remove NAs
پاکسازی اطلاعات بیشتر
More Data Cleaning
مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 1
Introduction to dplyr for Data Summarizing-Part 1
مقدمه ای بر dplyr برای خلاصه کردن داده ها - قسمت 2
Introduction to dplyr for Data Summarizing-Part 2
تجزیه و تحلیل داده های اکتشافی (EDA): تجسم های اساسی با R
Exploratory Data Analysis(EDA): Basic Visualizations with R
برخی از مبانی نظری
Some Theoretical Foundations
تفاوت بین یادگیری تحت نظارت و بدون نظارت
Difference Between Supervised & Unsupervised Learning
نظریه پشت ANN (شبکه عصبی مصنوعی) و DNN (شبکه های عصبی عمیق)
Theory Behind ANN (Artificial Neural Network) and DNN (Deep Neural Networks)
توابع فعال سازی چیست؟
What Are Activation Functions?
ساخت شبکه های عصبی مصنوعی (ANN) در R
Build Artificial Neural Networks (ANN) in R
شبکه عصبی برای طبقه بندی های باینری
Neural Network for Binary Classifications
دقت را ارزیابی کنید
Evaluate Accuracy
اجرای یک پرسپترون چند لایه (MLP) برای طبقه بندی نظارت شده
Implement a Multi-Layer Perceptron (MLP) For Supervised Classification
شبکه عصبی برای طبقه بندی های چند کلاسه
Neural Network for Multiclass Classifications
شبکه عصبی برای داده های نوع تصویر
Neural Network for Image Type Data
طبقهبندی چند کلاسه با استفاده از شبکههای عصبی با کرت
Multi-class Classification Using Neural Networks with caret
یک ANN با H2o برای طبقه بندی نظارت شده چند کلاسه پیاده سازی کنید
Implement an ANN with H2o For Multi-Class Supervised Classification
یک طبقه بندی مبتنی بر ANN را با استفاده از MXNet پیاده سازی کنید
Implement an ANN Based Classification Using MXNet
پیاده سازی MLP با Keras
Implement MLP With Keras
Keras MLP در مورد داده های واقعی
Keras MLP On Real Data
Keras MLP برای رگرسیون
Keras MLP For Regression
شبکه عصبی برای رگرسیون
Neural Network for Regression
اطلاعات بیشتر در مورد شبکه های عصبی مصنوعی (ANN) - با شبکه عصبی
More on Artificial Neural Networks(ANN) - with neuralnet
یک رگرسیون مبتنی بر ANN را با استفاده از MXNet اجرا کنید
Implement an ANN Based Regression Using MXNet
شناسایی اهمیت متغیرها در شبکه های عصبی
Identify Variable Importance in Neural Networks
ساخت شبکه های عصبی عمیق (DNN) در R
Build Deep Neural Networks (DNN) in R
یک DNN ساده با "neuralnet" برای طبقه بندی های باینری پیاده سازی کنید
Implement a Simple DNN With "neuralnet" for Binary Classifications
یک DNN ساده با "deepnet" برای رگرسیون پیاده سازی کنید
Implement a Simple DNN With "deepnet" for Regression
یک DNN با H2o برای طبقه بندی نظارت شده چند کلاسه پیاده سازی کنید
Implement a DNN with H2o For Multi-Class Supervised Classification
یک DNN (کمتر فشرده) با H2o برای طبقه بندی نظارت شده اجرا کنید
Implement a (Less Intensive) DNN with H2o For Supervised Classification
یک DNN با Keras پیاده سازی کنید
Implement a DNN With Keras
شناسایی اهمیت متغیر
Identify Variable Importance
پیاده سازی MXNET از طریق "caret"
Implement MXNET via "caret"
یک DNN با H2o برای رگرسیون پیاده سازی کنید
Implement a DNN with H2o For Regression
یک DNN با Keras For Regression پیاده سازی کنید
Implement a DNN with Keras For Regression
پیاده سازی رگرسیون DNN با Keras (داده واقعی)
Implement DNN Regression With Keras (Real Data)
طبقه بندی بدون نظارت با یادگیری عمیق
Unsupervised Classification with Deep Learning
نظریه پشت طبقه بندی بدون نظارت
Theory Behind Unsupervised Classification
رمزگذارهای خودکار برای یادگیری بدون نظارت
Autoencoders for Unsupervised Learning
رمزگذارهای خودکار برای تشخیص تقلب در کارت اعتباری
Autoencoders for Credit Card Fraud Detection
از مدل Autoencoder برای تشخیص ناهنجاری استفاده کنید
Use the Autoencoder Model for Anomaly Detection
رمزگذارهای خودکار برای طبقه بندی بدون نظارت
Autoencoders for Unsupervised Classification
رمزگذارهای خودکار با Keras
Autoencoders With Keras
رمزگذارهای خودکار Keras در داده های واقعی
Keras Autoencoders on Real Data
رمزگذار خودکار انباشته با Keras
Stacked Autoencoder With Keras
Keras برای تشخیص بیرونی
Keras For Outlier Detection
Outlier را پیدا کنید
Find the Outlier
تشخیص بیرونی برای سرطان (با کراس)
Outlier Detection For Cancer (With Keras)
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNN)
CNN چیست؟
What is a CNN?
یک CNN برای طبقه بندی نظارت شده چند کلاسه اجرا کنید
Implement a CNN for Multi-Class Supervised Classification
اطلاعات بیشتر درباره دقت مدل CNN ما
More About Our CNN Model Accuracy
راه اندازی CNN با Keras
Set Up CNN With Keras
اطلاعات بیشتر درباره CNN With Keras
More About CNN With Keras
Keras CNN را روی تصاویر واقعی پیاده سازی کنید
Implement Keras CNN On Real Images
چند توضیح بیشتر
Some More Explanations
بهبود عملکرد CNN
Improve CNN Performance
CNN برای طبقه بندی چند طبقه
CNN For Multiclass Classification
کار با داده های متنی
Working With Textual Data
پیش پردازش اولیه داده های متنی
Basic Pre-Processing of Text Data
کشف تقلب ها با استفاده از رمزگذارهای خودکار Keras در داده های متنی
Detect Frauds Using Keras Autoencoders on Text Data
جاسازی کلمه برای طبقه بندی تقلب
Word Embeddings For Classifying Fraud
جاسازی کلمه برای طبقه بندی کلاهبرداری-GloVe
Word Embeddings For Classifying Fraud-GloVe
شبکه های عصبی مکرر (RNN)
Recurrent Neural Networks (RNN)
برخی مبانی نظری
Some theoretical foundations
از RNN برای طبقه بندی متن استفاده کنید
Use RNNs for Text Classification
از RNN برای داده های زمانی استفاده کنید
Use RNNs for Temporal Data
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
نمایش نظرات