آموزش با Keras TensorFlow 2.0 یک گردش کار یادگیری ماشین بسازید

Build a Machine Learning Workflow with Keras TensorFlow 2.0

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره به Keras به عنوان بخشی از اکوسیستم TensorFlow 2.0 متمرکز است ، از جمله API های متوالی برای ساخت مدل های نسبتاً ساده لایه های انباشته ، API های کاربردی برای مدل های پیچیده تر و طبقه بندی های فرعی مدل و لایه های سفارشی. Keras چند سال پیش به محبوبیت رسید ، اما در پاسخ به ظهور سایر چارچوب های یادگیری عمیق مانند PyTorch ، Keras خود را به بخشی کاملاً متصل از اکوسیستم TensorFlow 2.0 تبدیل کرده است. در این دوره ، ساخت یک گردش کار یادگیری ماشین با Keras Tensorflow 2.0 ، خواهید دید که چگونه می توانید ترکیبی از API های Keras و قدرت اساسی TensorFlow 2.0 را مهار کنید ، ابتدا یاد خواهید گرفت که چگونه API های مختلف در Keras به موارد مختلف استفاده وام می دهند ، مانند مدل های متوالی متشکل از لایه های انباشته ، API های سطح بالا موجود در tf.keras و پشتیبانی درجه یک از ویژگی های خاص TensorFlow. در مرحله بعدی ، خواهید فهمید که چگونه می توان انواع پیچیده تری از مدلها را با استفاده از API کاربردی که برای ایجاد مدلهای قابل تماس طراحی شده است ، ساخت - تغییری در پارادایم معمول و شی گرا که بیشتر مدلهای یادگیری عمیق را تشکیل می دهد. سرانجام ، شما نحوه اجرای طبقه بندی فرعی مدل در Keras را کشف خواهید کرد - که یک روش عالی برای اجرای ضروری یک مدل ضروری ، نحوه کار لایه های سفارشی است - که انعطاف پذیری بالایی را ارائه می دهد و می تواند برای تعریف لایه هایی که حالت دارند ، استفاده شود ، و بهترین شیوه هایی که به شما کمک می کند از لایه های سفارشی خود بیشترین بهره را ببرید. پس از اتمام این دوره ، مهارت و دانش لازم برای انتخاب بین بسیاری از استراتژیهای مختلف ساخت مدل موجود در Keras و استفاده از استراتژی مناسب برای ساخت یک مدل قوی را که از قدرت اساسی TensorFlow 2.0 استفاده می کند ، خواهید داشت.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک مدل ها و لایه های Keras Understanding Keras Models and Layers

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • معرفی کراس Introducing Keras

  • یادگیری تحت نظارت Supervised Learning

  • یادگیری بدون نظارت Unsupervised Learning

  • مدل های متوالی Sequential Models

  • The Functional API The Functional API

  • ذخیره و بارگذاری مدل ها Saving and Loading Models

  • نسخه ی نمایشی: Tensorflow را نصب و تنظیم کنید Demo: Install and SetUp Tensorflow

مدلهای رگرسیون و طبقه بندی ساختمان Building Regression and Classification Models

  • نسخه ی نمایشی: کاوش و پردازش مجموعه داده های بیمه Demo: Exploring and Processing the Insurance Dataset

  • نسخه ی نمایشی: آموزش یک مدل متوالی ساده Demo: Training a Simple Sequential Model

  • نسخه ی نمایشی: پیکربندی رفتار آموزش با استفاده از پاسخگویی Demo: Configuring Training Behavior Using Callbacks

  • نسخه ی نمایشی: صرفه جویی در معماری و وزن مدل Demo: Saving Model Architecture and Weights

  • نسخه ی نمایشی: در حال بارگیری مدل های ذخیره شده Demo: Loading Saved Models

  • نسخه ی نمایشی: کاوش و پردازش مجموعه داده های ستون فقرات Demo: Exploring and Processing the Spine Dataset

  • نسخه ی نمایشی: ساخت و آموزش مدل با استفاده از API عملکردی Demo: Build and Train Model Using the Functional API

  • نسخه ی نمایشی: مدل های بازرسی با استفاده از بازگشت Demo: Checkpointing Models Using Callbacks

  • نسخه ی نمایشی: نظارت بر مدل ها با استفاده از TensorBoard Demo: Monitoring Models Using TensorBoard

ساخت مدل های طبقه بندی تصویر Building Image Classification Models

  • اشکال در شبکه های عصبی متراکم Drawbacks of Dense Neural Networks

  • معرفی شبکه های عصبی کانولوشن Introducing Convolutional Neural Networks

  • همگرایی Convolution

  • لایه های کانولوشن Convolutional Layers

  • لایه های استخر Pooling Layers

  • معماری CNN CNN Architecture

  • نسخه ی نمایشی: بارگذاری و پیش پردازش مجموعه داده Cifar10 Demo: Loading and Preprocessing the Cifar10 Dataset

  • نسخه ی نمایشی: طراحی شبکه عصبی کانولوشن Demo: Designing the Convolutional Neural Network

  • نسخه ی نمایشی: آموزش و پیش بینی با استفاده از CNN Demo: Training and Prediction Using a CNN

  • نسخه ی نمایشی: با استفاده از تغییر شکل تصویر و رها کردن Demo: Using Image Transformations and Dropout

ساخت مدلهای یادگیری ماشین بدون نظارت Building Unsupervised Machine Learning Models

  • تحت نظارت در مقابل یادگیری بدون نظارت Supervised vs. Unsupervised Learning

  • رمزگذاران خودکار به عنوان یادگیری ماشین بدون نظارت Autoencoders as Unsupervised Machine Learning

  • کاهش ابعاد با استفاده از رمزگذاران خودکار Dimensionality Reduction Using Autoencoders

  • نسخه ی نمایشی: پیش پردازش تصاویر Demo: Preprocessing Images

  • نسخه ی نمایشی: بازسازی تصاویر با استفاده از رمزگذار خودکار انباشته Demo: Reconstructing Images Using a Stacked Autoencoder

  • نسخه ی نمایشی: بازسازی تصاویر با استفاده از خود رمزگذار مبتنی بر CNN Demo: Reconstructing Images Using a CNN Based Autoencoder

پیاده سازی لایه ها و مدل های سفارشی Implementing Custom Layers and Models

  • سفارشی کردن لایه ها و مدل ها Customizing Layers and Models

  • طبقه بندی فرعی مدل و لایه های سفارشی Model Subclassing and Custom Layers

  • نسخه ی نمایشی: ایجاد یک لایه سفارشی Demo: Creating a Custom Layer

  • نسخه ی نمایشی: به تعویق انداختن ایجاد وزن در یک لایه Demo: Deferring Weight Creation in a Layer

  • نسخه ی نمایشی: جمع آوری ضررها با لایه های سفارشی Demo: Accumulating Losses with Custom Layers

  • نسخه ی نمایشی: سریال سازی لایه ها و پارامتر آموزش Demo: Serializing Layers and the Training Parameter

  • نسخه ی نمایشی: ساخت مدل های سفارشی Demo: Building Custom Models

  • نسخه ی نمایشی: ساخت و آموزش مدل رگرسیون با استفاده از لایه های سفارشی Demo: Building and Training a Regression Model Using Custom Layers

  • نسخه ی نمایشی: ساخت و آموزش یک مدل سفارشی با لایه های سفارشی Demo: Building and Training a Custom Model with Custom Layers

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

آموزش با Keras TensorFlow 2.0 یک گردش کار یادگیری ماشین بسازید
جزییات دوره
3h 15m
44
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
12
4.6 از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.