آموزش مطالعات موردی 20 علم داده و یادگیری عمیق برای کسب و کار

سرفصل ها و درس ها

مقدمه دوره - چرا کسب و کارها بیش از هر زمان دیگری به دانشمندان داده نیاز دارند! Course Introduction - Why Businesses NEED Data Scientists more than ever!

• مقدمه - چرا این دوره برگزار می شود؟ چرا از علم داده در تجارت استفاده کنیم؟ Introduction - Why do this course? Why Apply Data Science to Business?

• چرا دیتا نفت جدید است و اکثر کسب و کارها چه اشتباهی انجام می دهند Why Data is the new Oil and what most Businesses are doing wrong

• تعریف مشکلات تجاری برای تفکر تحلیلی و تصمیم گیری مبتنی بر داده Defining Business Problems for Analytic Thinking & Data Driven Decision Making

• ذهنیت تحلیلی Analytic Mindset

• 10 پروژه علم داده که هر کسب و کاری باید انجام دهد! 10 Data Science Projects every Business should do!

• ایجاد حس کلمات وزوز، علم داده، کلان داده، ماشین و یادگیری عمیق Making Sense of Buzz Words, Data Science, Big Data, Machine & Deep Learning

• چقدر یادگیری عمیق همه چیز را تغییر می دهد! How Deep Learning is Changing Everything!

• نقش ها در دنیای داده ها - تحلیلگر، مهندس، دانشمند، آماردان، DevOps The Roles in the Data World - Analyst, Engineer, Scientist, Statistician, DevOps

• چگونه دانشمندان داده به مسائل برخورد می کنند How Data Scientists Approach Problems

راه اندازی دوره و مسیرها - منابع را از اینجا دانلود کنید Course Setup & Pathways - DOWNLOAD RESOURCES HERE

• رویکرد دوره - گزینه های مختلف برای دانش آموزان مختلف Course Approach - Different Options for Different Students

• Google Colab را برای نوت بوک های iPython خود راه اندازی کنید (دانلود کد دوره + اسلایدها) Setup Google Colab for your iPython Notebooks (Download Course Code + Slides)

• کد، اسلاید و مجموعه داده را دانلود کنید Download Code, Slides and Datasets

Python - A Crash Course Python - A Crash Course

• چرا از Python برای Data Science استفاده کنیم؟ Why use Python for Data Science?

• پایتون - متغیرهای اساسی Python - Basic Variables

• پایتون - متغیرها (فهرست ها و فرهنگ لغت ها) Python - Variables (Lists and Dictionaries)

• پایتون - عبارات شرطی Python - Conditional Statements

• اطلاعات بیشتر در مورد elif More information on elif

• پایتون - حلقه ها Python - Loops

• پایتون - توابع Python - Functions

• پایتون - کلاس ها Python - Classes

پانداها - مبتدی تا پیشرفته Pandas - Beginner to Advanvced

• آشنایی با پانداها Introduction to Pandas

• Pandas 1 - Data Series Pandas 1 - Data Series

• Pandas 2A - DataFrames - فهرست، برش، آمار، یافتن سلول‌های خالی و فیلتر کردن Pandas 2A - DataFrames - Index, Slice, Stats, Finding Empty cells & Filtering

• Pandas 2B - DataFrames - فهرست، برش، آمار، یافتن سلول‌های خالی و فیلتر کردن Pandas 2B - DataFrames - Index, Slice, Stats, Finding Empty cells & Filtering

• Pandas 3A - پاک‌سازی داده - تغییر ستون‌ها/ردیف‌ها، داده‌های از دست رفته و عملیات رشته Pandas 3A - Data Cleaning - Alter Colomns/Rows, Missing Data & String Operations

• Pandas 3B - پاک‌سازی داده - تغییر ستون‌ها/ردیف‌ها، داده‌های از دست رفته و عملیات رشته Pandas 3B - Data Cleaning - Alter Colomns/Rows, Missing Data & String Operations

• Pandas 4 - جمع آوری داده - توابع GroupBy، Map، Pivot، Aggreate Pandas 4 - Data Aggregation - GroupBy, Map, Pivot, Aggreate Functions

• Pandas 5 - Feature Engineer, Lambda and Apply Pandas 5 - Feature Engineer, Lambda and Apply

• پانداها 6 - الحاق، ادغام و پیوستن Pandas 6 - Concatenating, Merging and Joinining

• پانداها 7 - داده های سری زمانی Pandas 7 - Time Series Data

• Pandas 7 - عملیات پیشرفته - Iterows، Vectorization و Numpy Pandas 7 - ADVANCED Operations - Iterows, Vectorization and Numpy

• Pandas 8 - عملیات پیشرفته - نقشه بیشتر، زیپ و اعمال Pandas 8 - ADVANCED Operations - More Map, Zip and Apply

• پانداها 9 - عملیات پیشرفته - پردازش موازی Pandas 9 - ADVANCED Operations - Parallel Processing

• تجسم نقشه با Plotly - Cloropeths از ابتدا - ایالات متحده آمریکا و جهان Map Visualizations with Plotly - Cloropeths from Scratch - USA and World

• تجسم نقشه با Plotly - Heatmaps، Scatter Plots و Lines Map Visualizations with Plotly - Heatmaps, Scatter Plots and Lines

آمار و احتمال برای دانشمندان داده Statistics & Probability for Data Scientists

• مقدمه ای بر آمار Introdution to Statistics

• آمار توصیفی - چرا دانش آماری بسیار مهم است؟ Descriptive Statistics - Why Statistical Knowledge is so Important

• آمار توصیفی 1 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم ها Descriptive Statistics 1 - Exploratory Data Analysis (EDA) & Visualizations

• آمار توصیفی 2 - تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم ها Descriptive Statistics 2 - Exploratory Data Analysis (EDA) & Visualizations

• نمونه گیری، میانگین و واریانس و نحوه دروغ گفتن و گمراه کردن با آمار Sampling, Averages & Variance And How to lie and Mislead with Statistics

• نمونه برداری - اندازه نمونه و فواصل اطمینان - به چه چیزی می توانید اعتماد کنید؟ Sampling - Sample Sizes & Confidence Intervals - What Can You Trust?

• انواع متغیرها - کمی و کیفی Types of Variables - Quantitive and Qualitative

• توزیع های فرکانس Frequency Distributions

• شکل های توزیع فرکانس Frequency Distributions Shapes

• تجزیه و تحلیل توزیع های فرکانس - بهترین نوع شراب چیست؟ قرمز یا سفید؟ Analyzing Frequency Distributions - What is the Best Type of WIne? Red or White?

• میانگین، حالت و میانه - نه به آن سادگی که شما فکر می کنید Mean, Mode and Median - Not as Simple As You'd Think

• واریانس، انحراف معیار و تصحیح بسل Variance, Standard Deviation and Bessel’s Correction

• کوواریانس و همبستگی - آیا آمازون و گوگل شما را بهتر از دیگران می شناسند؟ Covariance & Correlation - Do Amazon & Google know you better than anyone else?

• دروغگویی با همبستگی - نرخ طلاق در مین ناشی از مصرف مارگارین است Lying with Correlations – Divorce Rates in Maine caused by Margarine Consumption

• توزیع نرمال و قضیه حد مرکزی The Normal Distribution & the Central Limit Theorem

• Z-Scores Z-Scores

نظریه احتمال Probability Theory

• احتمال - مقدمه Probability – An Introduction

• تخمین احتمال Estimating Probability

• قانون اضافه Addition Rule

• جایگشت ها و ترکیب ها Permutations & Combinations

• قضیه بیز Bayes Theorem

آزمایش فرضیه Hypothesis Testing

• مقدمه تست فرضیه Hypothesis Testing Introduction

• اهمیت آماری Statistical Significance

• آزمون فرضیه – P Value Hypothesis Testing – P Value

• آزمون فرضیه – همبستگی پیرسون Hypothesis Testing – Pearson Correlation

یادگیری ماشین - رگرسیون، طبقه بندی و ارزیابی عملکرد Machine Learning - Regressions, Classifications and Assessing Performance

• مقدمه ای بر یادگیری ماشینی Introduction to Machine Learning

• چگونه یادگیری ماشینی کامپیوترها را قادر به یادگیری می کند How Machine Learning enables Computers to Learn

• مدل یادگیری ماشین چیست؟ What is a Machine Learning Model?

• انواع یادگیری ماشینی Types of Machine Learning

• رگرسیون خطی - مقدمه ای بر توابع هزینه و نزول گرادیان Linear Regression – Introduction to Cost Functions and Gradient Descent

• رگرسیون خطی در پایتون از ابتدا و با استفاده از Sklearn Linear Regressions in Python from Scratch and using Sklearn

• رگرسیون خطی چند جمله ای و چند متغیره Polynomial and Multivariate Linear Regression

• رگرسیون لجستیک Logistic Regression

• ماشین‌های بردار پشتیبانی (SVM) Support Vector Machines (SVMs)

• درختان تصمیم و جنگل های تصادفی و شاخص جینی Decision Trees and Random Forests & the Gini Index

• K-نزدیکترین همسایگان (KNN) K-Nearest Neighbors (KNN)

• ارزیابی عملکرد - ماتریس سردرگمی، دقت و یادآوری Assessing Performance – Confusion Matrix, Precision and Recall

• درک منحنی ROC و AUC Understanding the ROC and AUC Curve

• چه چیزی یک مدل خوب را می سازد؟ منظم سازی، بیش از حد، تعمیم و موارد پرت What Makes a Good Model? Regularization, Overfitting, Generalization & Outliers

• مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

• انواع الگوریتم های یادگیری عمیق CNN، RNN و LSTM Types of Deep Learning Algoritms CNNs, RNNs & LSTMs

یادگیری عمیق در جزئیات Deep Learning in Detail

• بررسی اجمالی فصل شبکه های عصبی Neural Networks Chapter Overview

• مروری بر یادگیری ماشین Machine Learning Overview

• شبکه های عصبی توضیح داده شده است Neural Networks Explained

• انتشار رو به جلو Forward Propagation

• توابع فعال سازی Activation Functions

• آموزش قسمت 1 - توابع از دست دادن Training Part 1 – Loss Functions

• آموزش قسمت 2 - انتشار پس و نزول گرادیان Training Part 2 – Backpropagation and Gradient Descent

• پس انتشار و نرخ یادگیری - یک مثال کارآمد Backpropagation & Learning Rates – A Worked Example

• منظم سازی، برازش بیش از حد، تعمیم و تست مجموعه داده ها Regularization, Overfitting, Generalization and Test Datasets

• دوره ها، تکرارها و اندازه های دسته ای Epochs, Iterations and Batch Sizes

• اندازه گیری عملکرد و ماتریس سردرگمی Measuring Performance and the Confusion Matrix

• بررسی و بهترین شیوه ها Review and Best Practices

مطالعه موردی 1 - تعیین اینکه کدام کارمندان ممکن است کار را ترک کنند - تجزیه و تحلیل حفظ Case Study 1 – Figuring Out Which Employees May Quit – Retention Analysis

• تشخیص اینکه کدام یک از کارمندان ممکن است کار را ترک کنند - درک مشکل و EDA Figuring Out Which Employees May Quit –Understanding the Problem & EDA

• پاکسازی و آماده سازی داده ها Data Cleaning and Preparation

• مدلسازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

مطالعه موردی 2 - مشخص کردن اینکه کدام مشتریان ممکن است ترک کنند - تجزیه و تحلیل Churn Case Study 2 – Figuring Out Which Customers May Leave – Churn Analysis

• درک مسئله Understanding the Problem

• تجزیه و تحلیل داده های اکتشافی و تجسم Exploratory Data Analysis & Visualizations

• پیش پردازش داده ها Data Preprocessing

• مدلسازی یادگیری ماشین + یادگیری عمیق Machine Learning Modeling + Deep Learning

مطالعه موردی 3 - چه کسانی را برای کمک های مالی هدف قرار می دهیم؟ پیدا کردن بالاترین درآمد Case Study 3 – Who Do We Target For Donations? Finding the highest incomes

• درک مسئله Understanding the Problem

• تجزیه و تحلیل داده های اکتشافی و تجسم Exploratory Data Analysis and Visualizations

• آماده سازی مجموعه داده ما برای یادگیری ماشینی Preparing our Dataset for Machine Learning

• مدلسازی با استفاده از Grid Search برای یافتن بهترین پارامترها Modeling using Grid Search for finding the best parameters

مطالعه موردی 4 - پیش بینی حق بیمه Case Study 4 - Predicting Insurance Premiums

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده سازی داده ها و مدل سازی یادگیری ماشینی Data Preparation and Machine Learning Modeling

مطالعه موردی 5 - پیش بینی قیمت Airbnb Case Study 5 - Predicting Airbnb Prices

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدلسازی یادگیری ماشینی Machine Learning Modeling

• استفاده از مدل ما برای تخمین ارزش برای مشتریان جدید Using our Model for Value Estimation for New Clients

مطالعه موردی 6 - تشخیص تقلب در کارت اعتباری Case Study 6 – Credit Card Fraud Detection

• شناخت مجموعه داده ما Understanding our Dataset

• تحلیل اکتشافی Exploratory Analysis

• استخراج ویژگی Feature Extraction

• ایجاد و اعتبارسنجی مدل ما Creating and Validating Our Model

مطالعه موردی 7 - تجزیه و تحلیل نرخ تبدیل کمپین های بازاریابی Case Study 7 – Analyzing Conversion Rates of Marketing Campaigns

• تحلیل اکتشافی درک نرخ تبدیل بازاریابی Exploratory Analysis of Understanding Marketing Conversion Rates

مطالعه موردی 8 - پیش‌بینی تعامل - چه چیزی باعث عملکرد تبلیغات می‌شود؟ Case Study 8 – Predicting Engagement - What drives ad performance?

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• آماده سازی داده ها و مدل سازی یادگیری ماشینی Data Preparation and Machine Learning Modeling

مطالعه موردی 9 - تست A/B (بهینه سازی تبلیغات) Case Study 9 – A/B Testing (Optimizing Ads)

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• تجزیه و تحلیل نتایج آزمون A/B A/B Test Result Analysis

• A/B تست یک مثال واقعی کارکرده - طراحی یک تست A/B A/B Testing a Worked Real Life Example - Designing an A/B Test

• قدرت و اهمیت آماری Statistical Power and Significance

• تجزیه و تحلیل نتایج آزمون A/B Analysis of A/B Test Resutls

مطالعه موردی 10 - تجزیه و تحلیل محصول (تحلیل داده های اکتشافی) Case Study 10 – Product Analytics (Exploratory Data Analysis)

• مشکل و طرح حمله Problem and Plan of Attack

• تجزیه و تحلیل فروش و درآمد Sales and Revenue Analysis

• تجزیه و تحلیل در هر کشور، مشتریان تکراری و موارد Analysis per Country, Repeat Customers and Items

مطالعه موردی 11 - بهترین مشتریان و ارزش های طول عمر مشتری خود را تعیین کنید Case Study 11 – Determine Your Best Customers & Customer Lifetime Values

• درک مسئله + تحلیل و تجسم داده های اکتشافی Understanding the Problem + Exploratory Data Analysis and Visualizations

• مدل سازی ارزش مادام العمر مشتری Customer Lifetime Value Modeling

خوشه بندی - یادگیری بدون نظارت Clustering – Unsupervised Learning

• مقدمه ای بر یادگیری بدون نظارت Introdution to Unsupervised Learning

• K-Means Clustering K-Means Clustering

• انتخاب روش K – Elbow & Silouette Analysis Choosing K – Elbow Method & Silhouette Analysis

• K-Means در پایتون - انتخاب K با استفاده از روش Elbow و تجزیه و تحلیل Silhoutte K-Means in Python - Choosing K using the Elbow Method & Silhoutte Analysis

• خوشه بندی سلسله مراتبی تجمعی Agglomerative Hierarchical Clustering

• خوشه بندی Mean-Shift Mean-Shift Clustering

• DBSCAN (خوشه‌بندی فضایی برنامه‌های کاربردی با نویز مبتنی بر چگالی) DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

• DBSCAN در پایتون DBSCAN in Python

• خوشه‌بندی انتظار-بیشینه‌سازی (EM) با استفاده از مدل‌های مخلوط گاوسی (GMM) Expectation–Maximization (EM) Clustering using Gaussian Mixture Models (GMM)

کاهش ابعاد Dimensionality Reduction

• تجزیه و تحلیل مؤلفه های اصلی Principal Component Analysis

• t-Distributed Stochastic Neighbor Embedding (t-SNE) t-Distributed Stochastic Neighbor Embedding (t-SNE)

• PCA و t-SNE در پایتون با مقایسه تجسم PCA & t-SNE in Python with Visualization Comparisons

مطالعه موردی 12 - خوشه بندی مشتریان (K-means، سلسله مراتبی) Case Study 12 – Customer Clustering (K-means, Hierarchial)

• کاوش و توصیف داده ها Data Exploration & Description

• تحلیل و تجسم داده های اکتشافی ساده Simple Exploratory Data Analysis and Visualizations

• مهندسی ویژگی Feature Engineering

• K-Means خوشه بندی داده های مشتری K-Means Clustering of Customer Data

• آنالیز خوشه ای Cluster Analysis

نظریه سیستم های توصیه Recommendation Systems Theory

• مقدمه ای بر موتورهای پیشنهادی Introduction to Recommendation Engines

• قبل از توصیه، چگونه موارد را ارزیابی یا بررسی کنیم؟ آزمایش فکری Before recommending, how do we rate or review Items? Thought Experiment

• فیلتر مشارکتی کاربر و فیلتر بر اساس آیتم/محتوا User Collaborative Filtering and Item/Content-based Filtering

• جایزه نتفلیکس، فاکتورسازی ماتریس و یادگیری عمیق به عنوان روش‌های فاکتور پنهان The Netflix Prize, Matrix Factorization & Deep Learning as Latent-Factor Methods

مطالعه موردی 13 - ایجاد یک سیستم توصیه محصول Case Study 13 – Build a Product Recommendation System

• توضیحات مجموعه داده و پاکسازی داده ها Dataset Description and Data Cleaning

• ساخت ماتریس مشتری-اقلام Making a Customer-Item Matrix

• ماتریس کاربر-کاربر - دریافت موارد توصیه شده برای هر مشتری User-User Matrix - Getting Recommended Items for each Customer

• فیلتر مشارکتی مورد-آیتم - یافتن مشابه ترین موارد Item-Item Collaborative Filtering - Finding the Most Similar Items

19.1 مطالعه موردی 14 - از LightFM برای ساختن یک سیستم توصیه فیلم استفاده کنید 19.1 Case Study 14 - Use LightFM to Build a Movie Recommendation System

• برنامه ریزی و رویکرد Plan and Approach

مقدمه پردازش زبان طبیعی Natural Language Processing an Introduction

• مقدمه ای بر پردازش زبان طبیعی Introduction to Natural Language Processing

• زبان مدلسازی – مدل کیسه کلمات Modeling Language – The Bag of Words Model

• عادی سازی، توقف حذف کلمه، Lemmatizing/Stemming Normalization, Stop Word Removal, Lemmatizing/Stemming

• TF-IDF Vectorizer (فرکانس مدت - فرکانس سند معکوس) TF-IDF Vectorizer (Term Frequency — Inverse Document Frequency)

• Word2Vec - تخمین کارآمد نمایش های کلمه در فضای برداری Word2Vec - Efficient Estimation of Word Representations in Vector Space

مطالعه موردی 15 - خلاصه بررسی های آمازون Case Study 15 – Summarizing Amazon Reviews

• مشکل و طرح حمله Problem and Plan of Attack

مطالعه موردی 16 - تحلیل احساسات توییت های خطوط هوایی Case Study 16 – Sentiment Analysis of Airline Tweets

• مشکل و طرح حمله Problem and Plan of Attack

مطالعه موردی 17 - فیلتر هرزنامه Case Study 17 - Spam Filter

• مشکل و طرح حمله Problem and Plan of Attack

مطالعه موردی 18 - پیش‌بینی تقاضا با پیامبر فیسبوک Case Study 18 – Demand Forecasting with Facebook's Prophet

• مشکل و طرح حمله Problem and Plan of Attack

مطالعه موردی 19 – معاملات سهام با استفاده از یادگیری تقویتی Case Study 19 – Stock Trading using Reinforcement Learning

• یادگیری تقویتی مقدمه Reinforcement Learning an Introduction

• استفاده از Q-Learning و Reinforcement Learning برای ساخت ربات معاملاتی Using Q-Learning and Reinforcement Learning to Build a Trading Bot

معرفی کلان داده Big Data Introduction

• مقدمه ای بر داده های بزرگ Introduction to Big Data

• چالش ها در داده های بزرگ Challenges in Big Data

• Hadoop، MapReduce و Spark Hadoop, MapReduce and Spark

• مقدمه ای بر PySpark Introduction to PySpark

• RDD ها، دگرگونی ها، اقدامات، نمودارها و مشاغل RDDs, Transformations, Actions, Lineage Graphs & Jobs

• پاکسازی ساده داده ها در PySpark Simple Data Cleaning in PySpark

• یادگیری ماشین در PySpark Machine Learning in PySpark

مطالعه موردی 20 - طبقه بندی سرفصل ها در PySpark Case Study 20 - Headline Classification in PySpark

• استفاده از PySpark برای دسته بندی سرفصل ها Using PySpark for Headline Classification

علم داده در تولید - استقرار در فضای ابری (AWS) Data Science in Production - Deploying on the Cloud (AWS)

• Flask را نصب و اجرا کنید Install and Run Flask

• اجرای برنامه وب کامپیوتر Vision خود در Flask به صورت محلی Running Your Computer Vision Web App on Flask Locally

• اجرای API کامپیوتر شما Running Your Computer Vision API

• راه اندازی یک حساب AWS Setting Up An AWS Account

• راه‌اندازی نمونه AWS EC2 و نصب Keras، TensorFlow، OpenCV و Flask Setting Up Your AWS EC2 Instance & Installing Keras, TensorFlow, OpenCV & Flask

• تغییر گروه امنیتی EC2 Changing your EC2 Security Group

• استفاده از FileZilla برای انتقال فایل ها به نمونه EC2 Using FileZilla to transfer files to your EC2 Instance

• اجرای برنامه وب CV خود در EC2 Running your CV Web App on EC2

• اجرای CV API خود در EC2 Running your CV API on EC2

پاداش - ارزش‌های زمان عمر مشتری با استفاده از BG/NBD و مدل گاما-گاما BONUS - Customer Life Time Values using the BG/NBD and the Gamma-Gamma Model

• نظریه ارزش طول عمر مشتری (CLV). Customer Lifetime Value (CLV) Theory

• مدل‌های Buy-til-you-die (BTYD). Buy-til-you-die (BTYD) models

• مدل‌سازی ارزش طول عمر مشتری با استفاده از طول عمر Customer Lifetime Value Modeling using lifetimes

جایزه - بهینه سازی قیمت بلیط هواپیما BONUS - Price Optimization of Airline Tickets

• بهینه سازی قیمت بلیط هواپیما Price Optimization of Airline Tickets

جایزه - شبکه های عصبی پیچیدگی BONUS - Convolution Neural Networks

• بررسی اجمالی فصل شبکه های عصبی کانولوشنال Convolutional Neural Networks Chapter Overview

• معرفی شبکه های عصبی کانولوشنال Convolutional Neural Networks Introduction

• پیچیدگی ها و ویژگی های تصویر Convolutions & Image Features

• عمق، گام و بالشتک Depth, Stride and Padding

• ReLU ReLU

• ادغام Pooling

• لایه کاملا متصل The Fully Connected Layer

• CNN های آموزشی Training CNNs

• CNN خود را طراحی کنید Design Your Own CNN

• Deep Learning Computer Vision™ CNN، OpenCV، YOLO، SSD و GAN - تبلیغاتی Deep Learning Computer Vision™ CNN, OpenCV, YOLO, SSD & GANs - Promo

• Deep Learning Computer Vision™ CNN، OpenCV، YOLO، SSD و GAN - مقدمه Deep Learning Computer Vision™ CNN, OpenCV, YOLO, SSD & GANs - Introduction