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.
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

نمایش نظرات

نظری ارسال نشده است.

آموزش عمیق را در R با Keras و دیگران کامل کنید
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
8 hours
73
Udemy (یودمی) udemy-small
02 دی 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
1,345
4.9 از 5
دارد
دارد
دارد
Minerva Singh

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

Udemy (یودمی)

یودمی یکی از بزرگ‌ترین پلتفرم‌های آموزشی آنلاین است که به میلیون‌ها کاربر در سراسر جهان امکان دسترسی به دوره‌های متنوع و کاربردی را فراهم می‌کند. این پلتفرم امکان آموزش در زمینه‌های مختلف از فناوری اطلاعات و برنامه‌نویسی گرفته تا زبان‌های خارجی، مدیریت، و هنر را به کاربران ارائه می‌دهد. با استفاده از یودمی، کاربران می‌توانند به صورت انعطاف‌پذیر و بهینه، مهارت‌های جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.

یکی از ویژگی‌های برجسته یودمی، کیفیت بالای دوره‌ها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد می‌دهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و می‌توانند به بهترین شکل ممکن از آموزش‌ها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرم‌های آموزشی آنلاین، به افراد امکان می‌دهد تا به راحتی و با کیفیت، مهارت‌های مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.