آموزش یادگیری عمیق با پایتون و کراس

Deep Learning with Python and Keras

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: درک و ساخت مدل های یادگیری عمیق برای تصاویر، متن و موارد دیگر با استفاده از Python و Keras برای توصیف یادگیری عمیق به روشی ساده و در عین حال دقیق توضیح چگونگی استفاده از یادگیری عمیق برای ساختن مدل های پیش بینی برای تشخیص اینکه کدام برنامه های کاربردی می توانند از یادگیری عمیق بهره ببرند. نصب و استفاده از Python و Keras برای ساخت مدل‌های یادگیری عمیق استفاده از یادگیری عمیق برای حل مشکلات یادگیری تحت نظارت و بدون نظارت شامل تصاویر، متن، صدا، سری‌های زمانی و داده‌های جدولی. برای ساخت، آموزش و استفاده از شبکه‌های عصبی کاملاً متصل، کانولوشنال و مکرر برای نگاه کردن به درونیات یک مدل یادگیری عمیق بدون ارعاب و با قابلیت تغییر پارامترهای آن، آموزش و اجرای مدل‌ها در فضای ابری با استفاده از یک GPU برای برآورد هزینه‌های آموزشی برای مدل‌های بزرگ استفاده مجدد از مدل‌های از پیش آموزش‌دیده برای کوتاه‌کردن زمان و هزینه آموزش (آموزش انتقال) ) استفاده از پوسته bash (یا خط فرمان معادل) و دستورات اولیه برای کپی و انتقال فایل ها دانش مقدماتی جبر خطی (بردار چیست، ماتریس چیست، نحوه محاسبه حاصلضرب نقطه) استفاده از ssh برای اتصال به رایانه ابری

این دوره برای ارائه یک مقدمه کامل بر یادگیری عمیق طراحی شده است. این برای برنامه نویسان مبتدی و متوسط ​​و دانشمندان داده است که با پایتون آشنا هستند و می خواهند تکنیک های یادگیری عمیق را درک کرده و برای مشکلات مختلف به کار ببرند.

ما با مروری بر برنامه‌های یادگیری عمیق و خلاصه‌ای از ابزارها و تکنیک‌های یادگیری ماشین شروع می‌کنیم. سپس شبکه‌های عصبی مصنوعی را معرفی می‌کنیم و توضیح می‌دهیم که چگونه برای حل مسائل رگرسیون و طبقه‌بندی آموزش داده می‌شوند.

در بقیه دوره، چندین معماری از جمله شبکه‌های عصبی کاملاً متصل، کانولوشنال و تکراری را معرفی و توضیح می‌دهیم، و برای هر یک از این‌ها هم تئوری را توضیح می‌دهیم و هم مثال‌های زیادی از کاربردها ارائه می‌کنیم.

این دوره تعادل خوبی بین تئوری و عمل است. ما از توضیح جزئیات ریاضی ابایی نداریم و در عین حال تمرین‌ها و کد نمونه را برای اعمال آنچه که به تازگی آموخته‌اید ارائه می‌کنیم.

هدف این است که پایه‌ای قوی برای دانش‌آموزان فراهم کنیم، نه فقط تئوری، نه فقط برنامه‌نویسی، بلکه هر دو. در پایان دوره شما قادر خواهید بود تشخیص دهید که کدام مشکلات را می توان با یادگیری عمیق حل کرد، می توانید انواع مدل های شبکه عصبی را طراحی و آموزش دهید و می توانید از محاسبات ابری برای افزایش سرعت استفاده کنید. آموزش دهید و عملکرد مدل خود را بهبود بخشید.



سرفصل ها و درس ها

به دوره خوش آمدید! Welcome to the course!

  • به دوره خوش آمدید! Welcome to the course!

  • معرفی Introduction

  • کاربردهای دنیای واقعی یادگیری عمیق Real world applications of deep learning

  • Anaconda را دانلود و نصب کنید Download and install Anaconda

  • راهنمای ویدیوی نصب Installation Video Guide

  • کد دوره را دریافت کنید Obtain the code for the course

  • بررسی پوشه دوره Course Folder Walkthrough

  • اولین مدل یادگیری عمیق شما Your first deep learning model

داده ها Data

  • بخش 2 مقدمه Section 2 Intro

  • داده های جدولی Tabular data

  • کاوش داده ها با کد پاندا به همراه Data exploration with Pandas code along

  • کاوش داده های بصری Visual data Exploration

  • توطئه با Matplotlib Plotting with Matplotlib

  • داده های بدون ساختار Unstructured Data

  • تصاویر و صدا در ژوپیتر Images and Sound in Jupyter

  • مهندسی ویژگی Feature Engineering

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

  • ارائه تمرین 3 Exercise 3 Presentation

  • راه حل تمرین 3 Exercise 3 Solution

  • ارائه تمرین 4 Exercise 4 Presentation

  • راه حل تمرین 4 Exercise 4 Solution

  • ارائه تمرین 5 Exercise 5 Presentation

  • راه حل تمرین 5 Exercise 5 Solution

فراگیری ماشین Machine Learning

  • بخش 3 مقدمه Section 3 Intro

  • مشکلات یادگیری ماشین Machine Learning Problems

  • یادگیری تحت نظارت Supervised Learning

  • رگرسیون خطی Linear Regression

  • تابع هزینه Cost Function

  • کد تابع هزینه همراه Cost Function code along

  • پیدا کردن بهترین مدل Finding the best model

  • کد رگرسیون خطی همراه Linear Regression code along

  • ارزیابی عملکرد Evaluating Performance

  • ارزیابی کد عملکرد همراه با Evaluating Performance code along

  • طبقه بندی Classification

  • کد طبقه بندی همراه Classification code along

  • بیش از حد برازش Overfitting

  • اعتبار سنجی متقابل Cross Validation

  • کد اعتبار سنجی متقاطع همراه Cross Validation code along

  • ماتریس سردرگمی Confusion matrix

  • کد ماتریس سردرگمی همراه Confusion Matrix code along

  • کد پیش‌پردازش را به همراه داشته باشید Feature Preprocessing code along

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 solution

مقدمه یادگیری عمیق Deep Learning Intro

  • بخش 4 مقدمه Section 4 Intro

  • موفقیت های یادگیری عمیق Deep Learning successes

  • شبکه های عصبی Neural Networks

  • شبکه های عمیق تر Deeper Networks

  • کد شبکه های عصبی همراه Neural Networks code along

  • خروجی های متعدد Multiple Outputs

  • کد طبقه بندی چند طبقه همراه Multiclass classification code along

  • توابع فعال سازی Activation Functions

  • به جلو تغذیه کنید Feed forward

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

  • ارائه تمرین 3 Exercise 3 Presentation

  • راه حل تمرین 3 Exercise 3 Solution

  • ارائه تمرین 4 Exercise 4 Presentation

  • راه حل تمرین 4 Exercise 4 Solution

گرادیان نزول Gradient Descent

  • بخش 5 مقدمه Section 5 Intro

  • مشتقات و گرادیان Derivatives and Gradient

  • شهود پس انتشار Backpropagation intuition

  • قاعده زنجیره ای Chain Rule

  • محاسبه مشتق Derivative Calculation

  • پس انتشار کاملاً متصل Fully Connected Backpropagation

  • نمادگذاری ماتریسی Matrix Notation

  • کد آرایه های Numpy به همراه Numpy Arrays code along

  • میزان یادگیری Learning Rate

  • کد نرخ یادگیری همراه Learning Rate code along

  • گرادیان نزول Gradient Descent

  • کد گرادیان نزول همراه Gradient Descent code along

  • EWMA EWMA

  • بهینه سازها Optimizers

  • کدهای بهینه ساز همراه با Optimizers code along

  • کد مقدار دهی اولیه به همراه Initialization code along

  • کد تجسم لایه های داخلی به همراه Inner Layers Visualization code along

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

  • ارائه تمرین 3 Exercise 3 Presentation

  • راه حل تمرین 3 Exercise 3 Solution

  • ارائه تمرین 4 Exercise 4 Presentation

  • راه حل تمرین 4 Exercise 4 Solution

  • تانسوربرد Tensorboard

شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • بخش 6 مقدمه Section 6 Intro

  • ویژگی های Pixels Features from Pixels

  • طبقه بندی MNIST MNIST Classification

  • کد طبقه بندی MNIST همراه MNIST Classification code along

  • فراتر از پیکسل ها Beyond Pixels

  • تصاویر به عنوان تانسور Images as Tensors

  • کد ریاضی تانسور همراه Tensor Math code along

  • پیچیدگی در 1 D Convolution in 1 D

  • پیچیدگی در کد 1 بعدی همراه Convolution in 1 D code along

  • پیچیدگی در 2 D Convolution in 2 D

  • کد فیلترهای تصویر همراه Image Filters code along

  • لایه های کانولوشنال Convolutional Layers

  • کد لایه های کانولوشنال به همراه Convolutional Layers code along

  • لایه های ترکیبی Pooling Layers

  • ادغام کد لایه ها به همراه Pooling Layers code along

  • شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • کد شبکه های عصبی کانولوشنال همراه Convolutional Neural Networks code along

  • وزن در CNN ها Weights in CNNs

  • فراتر از تصاویر Beyond Images

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

پردازنده های گرافیکی ابری Cloud GPUs

  • راه اندازی نوت بوک GPU مشارکتی Google Google Colaboratory GPU notebook setup

  • راه اندازی نوت بوک GPU Floyd Floyd GPU notebook setup

شبکه های عصبی مکرر Recurrent Neural Networks

  • بخش 8 مقدمه Section 8 Intro

  • سری زمانی Time Series

  • مشکلات توالی Sequence problems

  • وانیل RNN Vanilla RNN

  • LSTM و GRU LSTM and GRU

  • کد پیش‌بینی سری زمانی همراه Time Series Forecasting code along

  • پیش بینی سری های زمانی با کد LSTM به همراه Time Series Forecasting with LSTM code along

  • پنجره های نورد Rolling Windows

  • در حال چرخاندن کدهای ویندوز Rolling Windows code along

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

بهبود عملکرد Improving performance

  • بخش 9 مقدمه Section 9 Intro

  • منحنی های یادگیری Learning curves

  • کد منحنی های یادگیری همراه Learning curves code along

  • عادی سازی دسته ای Batch Normalization

  • کد عادی سازی دسته ای همراه Batch Normalization code along

  • ترک تحصیل Dropout

  • کد انصراف و منظم سازی همراه با Dropout and Regularization code along

  • افزایش داده ها Data Augmentation

  • یادگیری مستمر Continuous Learning

  • کد مولد تصویر همراه Image Generator code along

  • جستجوی فراپارامتر Hyperparameter search

  • جاسازی ها Embeddings

  • کد جاسازی ها همراه Embeddings code along

  • کد تحلیل احساسات نقدهای فیلم همراه با Movies Reviews Sentiment Analysis code along

  • ارائه تمرین 1 Exercise 1 Presentation

  • راه حل تمرین 1 Exercise 1 Solution

  • ارائه تمرین 2 Exercise 2 Presentation

  • راه حل تمرین 2 Exercise 2 Solution

  • ارائه تمرین 3 Exercise 3 Presentation

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق با پایتون و کراس
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
10 hours
148
Udemy (یودمی) udemy-small
20 آذر 1397 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
23,387
4.4 از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Data Weekends Data Weekends

اصول علم داده را فقط در یک آخر هفته بیاموزید

Jose Portilla Jose Portilla

رئیس بخش علوم داده در آموزش پیریان

Francesco Mosconi Francesco Mosconi

مدیر عامل شرکت Catalit & Zero to Deep Learning

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.