آموزش TensorFlow برای Bootcamp یادگیری عمیق

دانلود TensorFlow for Deep Learning Bootcamp

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: TensorFlow توسط Google را بیاموزید. یک متخصص هوش مصنوعی، یادگیری ماشین و یادگیری عمیق شوید! ساخت مدل‌های TensorFlow با استفاده از بینایی کامپیوتر، شبکه‌های عصبی کانولوشنال و پردازش زبان طبیعی دسترسی کامل به تمام نوت‌بوک‌های تعاملی و همه اسلایدهای دوره به‌عنوان راهنماهای قابل دانلود، مهارت‌های خود را در یادگیری ماشین، هوش مصنوعی و یادگیری عمیق افزایش دهید درک نحوه ادغام یادگیری ماشینی در ابزارها و برنامه‌ها آموزش ساخت انواع مدل‌های یادگیری ماشینی با استفاده از جدیدترین TensorFlow 2 ساخت تشخیص تصویر، الگوریتم‌های تشخیص متن با شبکه‌های عصبی عمیق و شبکه‌های عصبی کانولوشنال استفاده از تصاویر دنیای واقعی برای تجسم سفر یک تصویر از طریق کانولوشن‌ها برای درک چگونگی «دیدن» رایانه. اطلاعات، از دست دادن نمودار و دقت استفاده از یادگیری عمیق برای پیش‌بینی سری‌های زمانی مهارت‌های لازم برای تبدیل شدن به یک توسعه‌دهنده TensorFlow را به دست آورید. ! بدون نیاز به دانش قبلی TensorFlow. درک اولیه یادگیری ماشین مفید است

به تازگی با بهترین شیوه های مدرن برای ساخت شبکه های عصبی با TensorFlow و تبدیل شدن به یک متخصص یادگیری عمیق TensorFlow راه اندازی شده است!

به یک جامعه آنلاین زنده با بیش از 900000 دانشجو و دوره ای که توسط متخصص TensorFlow تدریس می شود، بپیوندید. این دوره شما را از مبتدی مطلق با TensorFlow، به ایجاد پیشرفته ترین شبکه های عصبی یادگیری عمیق می برد.


کارشناسان TensorFlow تا 204000 دلار در سال درآمد دارند که میانگین حقوق آن در حدود 148000 دلار است. با گذراندن این دوره، به صنعت رو به رشد یادگیری ماشین می‌پیوندید و به یک توسعه‌دهنده برتر TensorFlow تبدیل می‌شوید!

در اینجا یک خلاصه کامل دوره از همه چیزهایی است که ما آموزش خواهیم داد (بله، بسیار جامع است، اما نترسید، زیرا ما همه چیز را از ابتدا به شما آموزش خواهیم داد!) :

هدف این دوره آموزش تمام مهارت های لازم برای تبدیل شدن به یک توسعه دهنده 10% TensorFlow است.


این دوره بسیار کاربردی و مبتنی بر پروژه خواهد بود. شما فقط به آموزش ما خیره نخواهید شد، بلکه در واقع می توانید آزمایش کنید، تمرین کنید و مدل ها و پروژه های یادگیری ماشینی را برای تقلید از سناریوهای زندگی واقعی بسازید. در پایان همه چیز، شما مهارت های مورد نیاز برای توسعه راه حل های مدرن یادگیری عمیق را که شرکت های بزرگ فناوری با آن مواجه می شوند، توسعه خواهید داد.


0 - مبانی TensorFlow

  • مقدمه ای بر تانسورها (ایجاد تانسورها)

  • دریافت اطلاعات از تانسورها (ویژگی های تانسور)

  • دستکاری تانسورها (عملیات تانسور)

  • تنسورها و NumPy

  • استفاده از @tf.function (روشی برای افزایش سرعت توابع معمولی پایتون)

  • استفاده از GPU با TensorFlow



1 - رگرسیون شبکه عصبی با TensorFlow

  • مدل های متوالی TensorFlow را با چندین لایه بسازید

  • داده‌ها را برای استفاده با مدل یادگیری ماشینی آماده کنید

  • اجزای مختلفی را که یک مدل یادگیری عمیق را تشکیل می دهند (عملکرد ضرر، معماری، تابع بهینه سازی) بیاموزید

  • با نحوه تشخیص مشکل رگرسیون (پیش بینی عدد) و ایجاد شبکه عصبی برای آن آشنا شوید



2 - طبقه بندی شبکه عصبی با TensorFlow

  • با نحوه تشخیص مشکل طبقه‌بندی (پیش‌بینی اینکه آیا چیزی یک چیز یا چیز دیگری است) آشنا شوید

  • با استفاده از TensorFlow، مدل‌های طبقه‌بندی یادگیری ماشین قطار را بسازید، کامپایل کنید

  • ساخت و آموزش مدل‌ها برای طبقه‌بندی باینری و چند کلاسه

  • معیارهای عملکرد مدل‌سازی را در مقابل یکدیگر ترسیم کنید

  • تطابق ورودی (شکل داده‌های آموزشی) و اشکال خروجی (هدف داده‌های پیش‌بینی)



3 - بینایی کامپیوتری و شبکه‌های عصبی کانولوشنال با TensorFlow

  • شبکه های عصبی کانولوشنال با Conv2D و لایه های ادغام بسازید

  • با نحوه تشخیص انواع مختلف مشکلات بینایی رایانه آشنا شوید

  • با نحوه ساخت شبکه های عصبی بینایی کامپیوتری آشنا شوید

  • با نحوه استفاده از تصاویر دنیای واقعی با مدل های بینایی رایانه خود آشنا شوید



4 - آموزش انتقال با TensorFlow قسمت 1: استخراج ویژگی

  • با نحوه استفاده از مدل های از پیش آموزش دیده برای استخراج ویژگی ها از داده های خود آشنا شوید

  • با نحوه استفاده از TensorFlow Hub برای مدل های از پیش آموزش دیده آشنا شوید

  • با نحوه استفاده از TensorBoard برای مقایسه عملکرد چندین مدل مختلف آشنا شوید



5 - آموزش انتقال با TensorFlow قسمت 2: تنظیم دقیق

  • با نحوه راه اندازی و اجرای چندین آزمایش یادگیری ماشین آشنا شوید

  • با نحوه استفاده از افزایش داده ها برای افزایش تنوع داده های آموزشی خود آشنا شوید

  • با نحوه تنظیم دقیق یک مدل از پیش آموزش دیده با مشکل سفارشی خود آشنا شوید

  • با نحوه استفاده از Callbacks برای افزودن قابلیت به مدل خود در طول آموزش آشنا شوید



6 — آموزش انتقال با TensorFlow قسمت 3: افزایش مقیاس (Food Vision mini)

  • با نحوه افزایش مقیاس یک مدل موجود آشنا شوید

  • با یافتن اشتباه ترین پیش بینی ها، نحوه ارزیابی مدل های یادگیری ماشینی خود را بیاموزید

  • کاغذ اصلی Food101 را فقط با استفاده از 10 درصد داده‌ها شکست دهید



7 — پروژه عطف 1: چشم انداز غذا

  • همه چیزهایی را که در 6 نوت بوک قبلی آموخته اید ترکیب کنید تا Food Vision بسازید: یک مدل بینایی کامپیوتری که می تواند 101 نوع غذای مختلف را طبقه بندی کند. مدل ما به خوبی و واقعاً کاغذ اصلی Food101 را شکست می دهد.



8 - مبانی NLP در TensorFlow

  • یاد بگیرید:

    • متن زبان طبیعی را برای استفاده با شبکه عصبی از پیش پردازش کنید

    • ایجاد جاسازی کلمه (نمایش عددی متن) با TensorFlow

    • شبکه های عصبی با قابلیت طبقه بندی باینری و چند کلاسه با استفاده از:

      بسازید
      • RNN ها (شبکه های عصبی مکرر)

      • LSTMs (سلول های حافظه کوتاه مدت بلند مدت)

      • GRUها (واحدهای مکرر دروازه‌دار)

      • CNN

  • با نحوه ارزیابی مدل های NLP خود آشنا شوید



9 — Milestone Project 2: SkimLit

  • مدلی را تکرار کنید که به مقاله PubMed 200k قدرت می‌دهد تا توالی‌های مختلف را در چکیده‌های پزشکی PubMed طبقه‌بندی کند (که می‌تواند به محققان کمک کند خلاصه‌های پزشکی را سریع‌تر بخوانند)



10 - مبانی سری زمانی در TensorFlow

  • با نحوه تشخیص مشکل سری زمانی آشنا شوید (ساخت مدلی برای پیش‌بینی بر اساس داده‌ها در طول زمان، به عنوان مثال پیش‌بینی قیمت سهام AAPL در فردا)

  • داده‌ها را برای شبکه‌های عصبی سری زمانی (ویژگی‌ها و برچسب‌ها) آماده کنید

  • درک و استفاده از روش های مختلف ارزیابی سری های زمانی

    • MAE - میانگین خطای مطلق

  • با TensorFlow مدل‌های پیش‌بینی سری زمانی بسازید

    • RNN ها (شبکه های عصبی مکرر)

    • CNN (شبکه های عصبی کانولوشنال)



11 — پروژه عطف 3: (سورپرایز)

  • اگر تا اینجا خوانده اید، احتمالاً به دوره علاقه مند هستید. این آخرین پروژه خوب خواهد بود... ما به شما قول می دهیم، پس شما را داخل دوره ببینیم ;)



TensorFlow در حال افزایش محبوبیت است و فرصت های شغلی بیشتری برای این دانش تخصصی ظاهر می شود. در واقع، TensorFlow از دیگر ابزارهای محبوب ML مانند PyTorch در بازار کار پیشی گرفته است. Google، Airbnb، Uber، DeepMind، Intel، IBM، Twitter و بسیاری دیگر در حال حاضر توسط TensorFlow پشتیبانی می‌شوند. دلیلی وجود دارد که این شرکت های بزرگ فناوری از این فناوری استفاده می کنند و شما همه چیز را در مورد قدرتی که TensorFlow به توسعه دهندگان می دهد خواهید فهمید.


ما به شما تضمین می کنیم که این جامع ترین دوره آنلاین در مورد TensorFlow است. پس چرا صبر کنیم؟ با تبدیل شدن به یک متخصص TensorFlow خود را متمایز کنید و حرفه خود را ارتقا دهید.


شما را در دوره می بینیم!


سرفصل ها و درس ها

مقدمه Introduction

  • طرح کلی دوره Course Outline

  • به کلاس آنلاین ما بپیوندید! Join Our Online Classroom!

  • تمرین: با همکلاسی ها و مربی خود آشنا شوید Exercise: Meet Your Classmates & Instructor

  • همه منابع دوره + پرسیدن سوال + دریافت کمک All Course Resources + Asking Questions + Getting Help

  • منابع ZTM ZTM Resources

اصول یادگیری عمیق و تنسورفلو Deep Learning and TensorFlow Fundamentals

  • یادگیری عمیق چیست؟ What is deep learning?

  • چرا از یادگیری عمیق استفاده کنیم؟ Why use deep learning?

  • شبکه های عصبی چیست؟ What are neural networks?

  • ماهنامه پایتون + یادگیری ماشین Python + Machine Learning Monthly

  • یادگیری عمیق در حال حاضر برای چه چیزی استفاده می شود؟ What is deep learning already being used for?

  • از TensorFlow چیست و چرا استفاده می شود؟ What is and why use TensorFlow?

  • تانسور چیست؟ What is a Tensor?

  • آنچه در طول دوره به آن خواهیم پرداخت What we're going to cover throughout the course

  • نحوه برخورد با این دوره How to approach this course

  • نیاز به تجدید کننده؟ Need A Refresher?

  • ایجاد اولین تانسور خود با TensorFlow و tf.constant() Creating your first tensors with TensorFlow and tf.constant()

  • ایجاد تانسور با TensorFlow و tf.Variable() Creating tensors with TensorFlow and tf.Variable()

  • ایجاد تانسورهای تصادفی با TensorFlow Creating random tensors with TensorFlow

  • به هم ریختن ترتیب تانسورها Shuffling the order of tensors

  • ایجاد تانسور از آرایه های NumPy Creating tensors from NumPy arrays

  • دریافت اطلاعات از تانسورها (ویژگی های تانسور) Getting information from your tensors (tensor attributes)

  • نمایه سازی و بسط تانسورها Indexing and expanding tensors

  • دستکاری تانسورها با عملیات اساسی Manipulating tensors with basic operations

  • ضرب ماتریس با تانسور قسمت 1 Matrix multiplication with tensors part 1

  • ضرب ماتریس با تانسور قسمت 2 Matrix multiplication with tensors part 2

  • ضرب ماتریس با تانسور قسمت 3 Matrix multiplication with tensors part 3

  • تغییر نوع داده تانسورها Changing the datatype of tensors

  • تجمع تانسور (یافتن حداقل، حداکثر، میانگین و بیشتر) Tensor aggregation (finding the min, max, mean & more)

  • مثال عیب یابی تانسور (به روز رسانی انواع داده های تانسور) Tensor troubleshooting example (updating tensor datatypes)

  • یافتن حداقل و حداکثر موقعیتی یک تانسور (آرگمین و آرگمکس) Finding the positional minimum and maximum of a tensor (argmin and argmax)

  • فشردن یک تانسور (حذف تمام محورهای یک بعدی) Squeezing a tensor (removing all 1-dimension axes)

  • تانسورهای رمزگذاری یک داغ One-hot encoding tensors

  • در حال آزمایش بیشتر عملیات ریاضی تانسور Trying out more tensor math operations

  • بررسی سازگاری TensorFlow و NumPy Exploring TensorFlow and NumPy's compatibility

  • اطمینان حاصل کنیم که عملیات تانسور ما روی پردازنده‌های گرافیکی بسیار سریع اجرا می‌شود Making sure our tensor operations run really fast on GPUs

  • چالش، تمرینات و برنامه های فوق برنامه TensorFlow Fundamentals TensorFlow Fundamentals challenge, exercises & extra-curriculum

  • چالش های کدنویسی ماهانه، منابع و راهنماهای رایگان Monthly Coding Challenges, Free Resources and Guides

  • تاییدیه های لینکدین LinkedIn Endorsements

رگرسیون شبکه عصبی با TensorFlow Neural network regression with TensorFlow

  • مقدمه ای بر رگرسیون شبکه عصبی با TensorFlow Introduction to Neural Network Regression with TensorFlow

  • ورودی ها و خروجی های مدل رگرسیون شبکه عصبی Inputs and outputs of a neural network regression model

  • آناتومی و معماری یک مدل رگرسیون شبکه عصبی Anatomy and architecture of a neural network regression model

  • ایجاد داده های رگرسیون نمونه (تا بتوانیم آن را مدل سازی کنیم) Creating sample regression data (so we can model it)

  • توجه: به‌روزرسانی کد برای سخنرانی(های) آینده برای رفع مشکل TensorFlow 2.7.0+ Note: Code update for upcoming lecture(s) for TensorFlow 2.7.0+ fix

  • مراحل اصلی مدل سازی با TensorFlow The major steps in modelling with TensorFlow

  • مراحل بهبود مدل با TensorFlow قسمت 1 Steps in improving a model with TensorFlow part 1

  • مراحل بهبود مدل با TensorFlow قسمت 2 Steps in improving a model with TensorFlow part 2

  • مراحل بهبود مدل با TensorFlow قسمت 3 Steps in improving a model with TensorFlow part 3

  • ارزیابی یک مدل TensorFlow قسمت 1 ("تجسم، تجسم، تجسم") Evaluating a TensorFlow model part 1 ("visualise, visualise, visualise")

  • ارزیابی یک مدل TensorFlow قسمت 2 (سه مجموعه داده) Evaluating a TensorFlow model part 2 (the three datasets)

  • ارزیابی یک مدل TensorFlow قسمت 3 (دریافت خلاصه مدل) Evaluating a TensorFlow model part 3 (getting a model summary)

  • ارزیابی یک مدل TensorFlow قسمت 4 (تجسم لایه های یک مدل) Evaluating a TensorFlow model part 4 (visualising a model's layers)

  • ارزیابی یک مدل TensorFlow قسمت 5 (تجسم پیش بینی های یک مدل) Evaluating a TensorFlow model part 5 (visualising a model's predictions)

  • ارزیابی مدل TensorFlow قسمت 6 (متریک های ارزیابی رگرسیون رایج) Evaluating a TensorFlow model part 6 (common regression evaluation metrics)

  • ارزیابی مدل رگرسیون تنسورفلو قسمت 7 (میانگین خطای مطلق) Evaluating a TensorFlow regression model part 7 (mean absolute error)

  • ارزیابی مدل رگرسیون تنسورفلو قسمت 7 (میانگین مربعات خطا) Evaluating a TensorFlow regression model part 7 (mean square error)

  • راه اندازی آزمایش های مدل سازی TensorFlow قسمت 1 (شروع با یک مدل ساده) Setting up TensorFlow modelling experiments part 1 (start with a simple model)

  • راه اندازی آزمایش های مدل سازی TensorFlow قسمت 2 (افزایش پیچیدگی) Setting up TensorFlow modelling experiments part 2 (increasing complexity)

  • مقایسه و ردیابی آزمایش‌های مدل‌سازی TensorFlow Comparing and tracking your TensorFlow modelling experiments

  • چگونه یک مدل TensorFlow را ذخیره کنیم How to save a TensorFlow model

  • نحوه بارگیری و استفاده از یک مدل ذخیره شده TensorFlow How to load and use a saved TensorFlow model

  • (اختیاری) نحوه ذخیره و دانلود فایل ها از Google Colab (Optional) How to save and download files from Google Colab

  • کنار هم قرار دادن چیزهایی که یاد گرفتیم قسمت 1 (تهیه مجموعه داده) Putting together what we've learned part 1 (preparing a dataset)

  • کنار هم قرار دادن چیزهایی که یاد گرفتیم قسمت 2 (ساخت یک مدل رگرسیون) Putting together what we've learned part 2 (building a regression model)

  • کنار هم قرار دادن چیزهایی که آموخته ایم قسمت 3 (بهبود مدل رگرسیون ما) Putting together what we've learned part 3 (improving our regression model)

  • پیش پردازش داده ها با مقیاس بندی ویژگی قسمت 1 (مقیاس بندی ویژگی چیست؟) Preprocessing data with feature scaling part 1 (what is feature scaling?)

  • پیش پردازش داده ها با مقیاس بندی ویژگی قسمت 2 (عادی سازی داده های ما) Preprocessing data with feature scaling part 2 (normalising our data)

  • پیش پردازش داده ها با مقیاس بندی ویژگی قسمت 3 (برازش یک مدل بر روی داده های مقیاس شده) Preprocessing data with feature scaling part 3 (fitting a model on scaled data)

  • چالش رگرسیون تنسورفلو، تمرینات و برنامه فوق برنامه TensorFlow Regression challenge, exercises & extra-curriculum

  • راهنمای یادگیری Learning Guideline

طبقه بندی شبکه های عصبی در TensorFlow Neural network classification in TensorFlow

  • مقدمه ای بر طبقه بندی شبکه های عصبی در TensorFlow Introduction to neural network classification in TensorFlow

  • نمونه مسائل طبقه بندی (و ورودی و خروجی آنها) Example classification problems (and their inputs and outputs)

  • تانسورهای ورودی و خروجی مسائل طبقه بندی Input and output tensors of classification problems

  • معماری معمولی مدل‌های طبقه‌بندی شبکه عصبی با TensorFlow Typical architecture of neural network classification models with TensorFlow

  • ایجاد و مشاهده داده های طبقه بندی به مدل Creating and viewing classification data to model

  • بررسی اشکال ورودی و خروجی داده های طبقه بندی ما Checking the input and output shapes of our classification data

  • ساخت یک مدل طبقه بندی نه چندان خوب با TensorFlow Building a not very good classification model with TensorFlow

  • تلاش برای بهبود مدل طبقه بندی نه چندان خوب ما Trying to improve our not very good classification model

  • ایجاد یک تابع برای مشاهده پیش بینی های نه چندان خوب مدل ما Creating a function to view our model's not so good predictions

  • توجه: به‌روزرسانی‌هایی برای TensorFlow 2.7.0 Note: Updates for TensorFlow 2.7.0

  • مدل طبقه‌بندی ضعیف ما را برای مجموعه داده‌های رگرسیونی به کار ببرید Make our poor classification model work for a regression dataset

  • غیر خطی قسمت 1: خطوط مستقیم و خطوط غیر مستقیم Non-linearity part 1: Straight lines and non-straight lines

  • غیر خطی بخش 2: ساختن اولین شبکه عصبی ما با غیر خطی Non-linearity part 2: Building our first neural network with non-linearity

  • غیر خطی قسمت 3: ارتقاء مدل غیر خطی ما با لایه های بیشتر Non-linearity part 3: Upgrading our non-linear model with more layers

  • غیر خطی بخش 4: مدل سازی داده های غیر خطی ما یک بار برای همیشه Non-linearity part 4: Modelling our non-linear data once and for all

  • غیر خطی قسمت 5: تکرار توابع فعال سازی غیر خطی از ابتدا Non-linearity part 5: Replicating non-linear activation functions from scratch

  • با افزایش سرعت یادگیری، در زمان کمتری نتایج عالی به دست آورید Getting great results in less time by tweaking the learning rate

  • استفاده از شی TensorFlow History برای رسم منحنی های ضرر مدل Using the TensorFlow History object to plot a model's loss curves

  • استفاده از callbacks برای یافتن نرخ یادگیری ایده آل یک مدل Using callbacks to find a model's ideal learning rate

  • آموزش و ارزیابی مدلی با نرخ یادگیری ایده آل Training and evaluating a model with an ideal learning rate

  • معرفی روش های ارزیابی طبقه بندی بیشتر Introducing more classification evaluation methods

  • یافتن دقت مدل طبقه بندی ما Finding the accuracy of our classification model

  • ایجاد اولین ماتریس سردرگمی ما (برای اینکه ببینیم مدل ما کجا در حال گیج شدن است) Creating our first confusion matrix (to see where our model is getting confused)

  • ماتریس سردرگمی خود را زیباتر کنیم Making our confusion matrix prettier

  • کنار هم قرار دادن چیزها با طبقه بندی چند کلاسه بخش 1: دریافت داده ها Putting things together with multi-class classification part 1: Getting the data

  • بخش 2 طبقه بندی چند طبقه: یکی شدن با داده ها Multi-class classification part 2: Becoming one with the data

  • طبقه بندی چند کلاسه قسمت 3: ساخت یک مدل طبقه بندی چند طبقه Multi-class classification part 3: Building a multi-class classification model

  • طبقه بندی چند کلاسه قسمت 4: بهبود عملکرد با نرمال سازی Multi-class classification part 4: Improving performance with normalisation

  • طبقه بندی چند کلاسه بخش 5: مقایسه داده های نرمال شده و غیر عادی Multi-class classification part 5: Comparing normalised and non-normalised data

  • طبقه بندی چند کلاسه قسمت 6: یافتن نرخ یادگیری ایده آل Multi-class classification part 6: Finding the ideal learning rate

  • طبقه بندی چند کلاسه قسمت 7: ارزیابی مدل ما Multi-class classification part 7: Evaluating our model

  • طبقه بندی چند کلاسه قسمت 8: ایجاد یک ماتریس سردرگمی Multi-class classification part 8: Creating a confusion matrix

  • بخش 9 طبقه بندی چند طبقه: تجسم پیش بینی های مدل تصادفی Multi-class classification part 9: Visualising random model predictions

  • یادگیری مدل ما چه «الگوهایی» است؟ What "patterns" is our model learning?

  • چالش طبقه بندی تنسورفلو، تمرین ها و برنامه های فوق برنامه TensorFlow classification challenge, exercises & extra-curriculum

بینایی کامپیوتری و شبکه های عصبی کانولوشن در تنسورفلو Computer Vision and Convolutional Neural Networks in TensorFlow

  • مقدمه ای بر بینایی کامپیوتر با TensorFlow Introduction to Computer Vision with TensorFlow

  • مقدمه‌ای بر شبکه‌های عصبی کانولوشن (CNN) با TensorFlow Introduction to Convolutional Neural Networks (CNNs) with TensorFlow

  • دانلود مجموعه داده تصویری برای اولین مدل Food Vision Downloading an image dataset for our first Food Vision model

  • یکی شدن با داده ها Becoming One With Data

  • یکی شدن با داده ها قسمت 2 Becoming One With Data Part 2

  • یکی شدن با داده ها قسمت 3 Becoming One With Data Part 3

  • ساخت یک مدل پایان به انتها CNN Building an end to end CNN Model

  • استفاده از GPU برای اجرای مدل CNN ما 5 برابر سریعتر Using a GPU to run our CNN model 5x faster

  • در حال آزمایش یک مدل غیر CNN بر روی داده‌های تصویر ما Trying a non-CNN model on our image data

  • بهبود مدل غیر CNN با افزودن لایه‌های بیشتر Improving our non-CNN model by adding more layers

  • تجزیه مدل CNN ما قسمت 1: یکی شدن با داده ها Breaking our CNN model down part 1: Becoming one with the data

  • شکستن مدل CNN ما قسمت 2: آماده شدن برای بارگذاری داده های ما Breaking our CNN model down part 2: Preparing to load our data

  • تجزیه مدل CNN ما قسمت 3: بارگیری داده های ما با ImageDataGenerator Breaking our CNN model down part 3: Loading our data with ImageDataGenerator

  • تجزیه مدل CNN ما قسمت 4: ساخت یک مدل پایه CNN Breaking our CNN model down part 4: Building a baseline CNN model

  • شکستن مدل CNN ما قسمت 5: نگاهی به داخل یک لایه Conv2D Breaking our CNN model down part 5: Looking inside a Conv2D layer

  • شکستن مدل CNN ما قسمت 6: کامپایل و تطبیق خط پایه CNN ما Breaking our CNN model down part 6: Compiling and fitting our baseline CNN

  • تجزیه مدل CNN ما قسمت 7: ارزیابی منحنی های آموزشی CNN ما Breaking our CNN model down part 7: Evaluating our CNN's training curves

  • شکستن مدل CNN ما قسمت 8: کاهش بیش از حد برازش با Max Pooling Breaking our CNN model down part 8: Reducing overfitting with Max Pooling

  • شکستن مدل CNN ما قسمت 9: کاهش بیش از حد برازش با افزایش داده ها Breaking our CNN model down part 9: Reducing overfitting with data augmentation

  • تجزیه مدل CNN ما قسمت 10: تجسم داده های تقویت شده ما Breaking our CNN model down part 10: Visualizing our augmented data

  • تجزیه مدل CNN ما قسمت 11: آموزش یک مدل CNN در مورد داده های افزوده شده Breaking our CNN model down part 11: Training a CNN model on augmented data

  • شکستن مدل CNN ما قسمت 12: کشف قدرت به هم زدن داده ها Breaking our CNN model down part 12: Discovering the power of shuffling data

  • تجزیه مدل CNN ما قسمت 13: کاوش گزینه ها برای بهبود مدل ما Breaking our CNN model down part 13: Exploring options to improve our model

  • دانلود یک تصویر سفارشی برای پیش‌بینی Downloading a custom image to make predictions on

  • نوشتن یک تابع کمکی برای بارگیری و پیش پردازش تصاویر سفارشی Writing a helper function to load and preprocessing custom images

  • پیش بینی یک تصویر سفارشی با CNN آموزش دیده ما Making a prediction on a custom image with our trained CNN

  • بخش اول CNN چند کلاسه: یکی شدن با داده ها Multi-class CNN's part 1: Becoming one with the data

  • بخش 2 چند کلاسه CNN: آماده سازی داده های ما (تبدیل آن به تانسور) Multi-class CNN's part 2: Preparing our data (turning it into tensors)

  • بخش 3 CNN چند کلاسه: ساخت یک مدل CNN چند کلاسه Multi-class CNN's part 3: Building a multi-class CNN model

  • بخش 4 CNN چند کلاسه: برازش یک مدل CNN چند کلاسه برای داده ها Multi-class CNN's part 4: Fitting a multi-class CNN model to the data

  • بخش 5 CNN چند کلاسه: ارزیابی مدل CNN چند کلاسه ما Multi-class CNN's part 5: Evaluating our multi-class CNN model

  • بخش ششم CNN چند کلاسه: تلاش برای رفع بیش‌برازش با حذف لایه‌ها Multi-class CNN's part 6: Trying to fix overfitting by removing layers

  • بخش هفتم CNN چند کلاسه: تلاش برای رفع بیش‌برازش با افزایش داده‌ها Multi-class CNN's part 7: Trying to fix overfitting with data augmentation

  • بخش هشتم CNN چند کلاسه: کارهایی که می توانید برای بهبود مدل CNN خود انجام دهید Multi-class CNN's part 8: Things you could do to improve your CNN model

  • بخش 9 CNN چند کلاسه: پیش بینی با مدل ما بر روی تصاویر سفارشی Multi-class CNN's part 9: Making predictions with our model on custom images

  • ذخیره و بارگیری مدل CNN آموزش دیده ما Saving and loading our trained CNN model

  • چالش بینایی کامپیوتری و CNN های تنسورفلو، تمرین ها و برنامه های فوق برنامه TensorFlow computer vision and CNNs challenge, exercises & extra-curriculum

آموزش انتقال در TensorFlow قسمت 1: استخراج ویژگی Transfer Learning in TensorFlow Part 1: Feature extraction

  • چیست و چرا از یادگیری انتقالی استفاده کنیم؟ What is and why use transfer learning?

  • دانلود و آماده سازی داده ها برای اولین مدل یادگیری انتقال ما Downloading and preparing data for our first transfer learning model

  • معرفی Callbacks در TensorFlow و برقراری تماس برای ردیابی مدل‌های ما Introducing Callbacks in TensorFlow and making a callback to track our models

  • کاوش در وب سایت TensorFlow Hub برای مدل های از پیش آموزش دیده Exploring the TensorFlow Hub website for pretrained models

  • ساخت و کامپایل یک مدل استخراج ویژگی TensorFlow Hub Building and compiling a TensorFlow Hub feature extraction model

  • دمیدن مدل های قبلی ما با آموزش انتقال Blowing our previous models out of the water with transfer learning

  • رسم منحنی های تلفات مدل استخراج ویژگی ResNet ما Plotting the loss curves of our ResNet feature extraction model

  • ساخت و آموزش یک مدل EfficientNet از پیش آموزش دیده بر روی داده های ما Building and training a pre-trained EfficientNet model on our data

  • انواع مختلف آموزش انتقالی Different Types of Transfer Learning

  • مقایسه نتایج مدل ما Comparing Our Model's Results

  • چالش، تمرین‌ها و برنامه فوق‌العاده آموزش TensorFlow Transfer Part 1 TensorFlow Transfer Learning Part 1 challenge, exercises & extra-curriculum

  • ورزش: سندرم ایمپوستر Exercise: Imposter Syndrome

آموزش انتقال در TensorFlow قسمت 2: تنظیم دقیق Transfer Learning in TensorFlow Part 2: Fine tuning

  • مقدمه ای بر آموزش انتقال در تنسورفلو قسمت 2: تنظیم دقیق Introduction to Transfer Learning in TensorFlow Part 2: Fine-tuning

  • وارد کردن یک اسکریپت پر از توابع کمکی (و صرفه جویی در فضای زیادی) Importing a script full of helper functions (and saving lots of space)

  • دانلود و تبدیل تصاویر ما به مجموعه داده های گروهی TensorFlow Downloading and turning our images into a TensorFlow BatchDataset

  • بحث در مورد چهار (در واقع پنج) آزمایش مدلسازی که در حال اجرا هستیم Discussing the four (actually five) modelling experiments we're running

  • مقایسه TensorFlow Keras Sequential API در مقابل Functional API Comparing the TensorFlow Keras Sequential API versus the Functional API

  • توجه: رفع اشکال برای ایجاد مدل EfficientNetB0 + بارگذاری وزن Note: Fixes for EfficientNetB0 model creation + weight loading

  • اولین مدل خود را با TensorFlow Keras Functional API ایجاد می کنیم Creating our first model with the TensorFlow Keras Functional API

  • کامپایل و برازش اولین مدل API عملکردی ما Compiling and fitting our first Functional API model

  • گرفتن یک بردار ویژگی از مدل آموزش دیده ما Getting a feature vector from our trained model

  • حفاری در مفهوم بردار ویژگی (نمایش آموخته شده) Drilling into the concept of a feature vector (a learned representation)

  • دانلود و آماده سازی داده ها برای مدل 1 (1 درصد داده های آموزشی) Downloading and preparing the data for Model 1 (1 percent of training data)

  • ساخت یک لایه افزایش داده برای استفاده در داخل مدل ما Building a data augmentation layer to use inside our model

  • توجه: اصلاح کوچک برای ویدیوی بعدی، برای تصاویر بدون افزودن Note: Small fix for next video, for images not augmenting

  • تجسم آنچه هنگام عبور تصاویر از لایه افزایش داده ما اتفاق می افتد Visualizing what happens when images pass through our data augmentation layer

  • ساختمان مدل 1 (با یک لایه افزایش داده و 1٪ از داده های آموزشی) Building Model 1 (with a data augmentation layer and 1% of training data)

  • ساختمان مدل 2 (با لایه افزایش داده و 10 درصد داده های آموزشی) Building Model 2 (with a data augmentation layer and 10% of training data)

  • ایجاد یک ModelCheckpoint برای صرفه جویی در وزن مدل ما در طول تمرین Creating a ModelCheckpoint to save our model's weights during training

  • برازش و ارزیابی مدل 2 (و صرفه جویی در وزن آن با استفاده از ModelCheckpoint) Fitting and evaluating Model 2 (and saving its weights using ModelCheckpoint)

  • بارگیری و مقایسه وزن های ذخیره شده با مدل 2 آموزش دیده موجود ما Loading and comparing saved weights to our existing trained Model 2

  • آماده سازی مدل 3 (اولین مدل دقیق ما) Preparing Model 3 (our first fine-tuned model)

  • برازش و ارزیابی مدل 3 (اولین مدل تنظیم شده ما) Fitting and evaluating Model 3 (our first fine-tuned model)

  • مقایسه نتایج مدل ما قبل و بعد از تنظیم دقیق Comparing our model's results before and after fine-tuning

  • دانلود و آماده سازی داده ها برای بزرگترین آزمایش ما (مدل 4) Downloading and preparing data for our biggest experiment yet (Model 4)

  • آماده سازی آزمایش مدل سازی نهایی ما (مدل 4) Preparing our final modelling experiment (Model 4)

  • تنظیم دقیق مدل 4 بر روی 100% داده های آموزشی و ارزیابی نتایج آن Fine-tuning Model 4 on 100% of the training data and evaluating its results

  • مقایسه نتایج آزمایش مدلسازی ما در TensorBoard Comparing our modelling experiment results in TensorBoard

  • نحوه مشاهده و حذف آزمایشات قبلی TensorBoard How to view and delete previous TensorBoard experiments

  • آموزش انتقال در TensorFlow قسمت 2 چالش، تمرین و برنامه فوق برنامه Transfer Learning in TensorFlow Part 2 challenge, exercises and extra-curriculum

انتقال یادگیری با TensorFlow قسمت 3: افزایش مقیاس Transfer Learning with TensorFlow Part 3: Scaling Up

  • مقدمه ای بر آموزش انتقال بخش 3: افزایش مقیاس Introduction to Transfer Learning Part 3: Scaling Up

  • آماده کردن توابع کمکی و دانلود داده ها برای مدل سازی Getting helper functions ready and downloading data to model

  • تشریح مدلی که می‌خواهیم بسازیم و یک ModelCheckpoint پاسخ می‌دهیم Outlining the model we're going to build and building a ModelCheckpoint callback

  • ایجاد یک لایه افزایش داده برای استفاده با مدل ما Creating a data augmentation layer to use with our model

  • ایجاد یک مدل EfficientNetB0 بدون هد با تقویت داده‌های داخلی Creating a headless EfficientNetB0 model with data augmentation built in

  • تطبیق و ارزیابی بزرگترین مدل یادگیری انتقالی ما تاکنون Fitting and evaluating our biggest transfer learning model yet

  • برخی از لایه‌ها را در مدل پایه خود باز کنید تا برای تنظیم دقیق آماده شوید Unfreezing some layers in our base model to prepare for fine-tuning

  • تنظیم دقیق مدل استخراج ویژگی و ارزیابی عملکرد آن Fine-tuning our feature extraction model and evaluating its performance

  • ذخیره و بارگیری مدل آموزش دیده ما Saving and loading our trained model

  • دانلود یک مدل از پیش آموزش دیده برای انجام و ارزیابی پیش بینی ها با Downloading a pretrained model to make and evaluate predictions with

  • پیش بینی با مدل آموزش دیده ما بر روی 25250 نمونه آزمایشی Making predictions with our trained model on 25,250 test samples

  • باز کردن مجموعه داده آزمایشی ما برای مقایسه برچسب‌های حقیقت پایه با پیش‌بینی‌ها Unravelling our test dataset for comparing ground truth labels to predictions

  • تأیید پیش‌بینی‌های مدل ما به ترتیب برچسب‌های آزمایشی است Confirming our model's predictions are in the same order as the test labels

  • ایجاد یک ماتریس سردرگمی برای 101 کلاس مختلف مدل ما Creating a confusion matrix for our model's 101 different classes

  • ارزیابی هر کلاس جداگانه در مجموعه داده ما Evaluating every individual class in our dataset

  • ترسیم امتیازات F1 مدل ما برای هر کلاس جداگانه Plotting our model's F1-scores for each separate class

  • ایجاد یک تابع برای بارگذاری و آماده سازی تصاویر برای انجام پیش بینی Creating a function to load and prepare images for making predictions

  • پیش بینی تصاویر آزمایشی و ارزیابی آنها Making predictions on our test images and evaluating them

  • بحث در مورد مزایای یافتن اشتباه ترین پیش بینی های مدل شما Discussing the benefits of finding your model's most wrong predictions

  • نوشتن کد برای کشف اشتباه ترین پیش بینی های مدل ما Writing code to uncover our model's most wrong predictions

  • ترسیم و تجسم نمونه ها مدل ما بیشترین اشتباه را داشت Plotting and visualising the samples our model got most wrong

  • پیش بینی و ترسیم تصاویر سفارشی خودمان Making predictions on and plotting our own custom images

  • آموزش انتقال در TensorFlow قسمت 3 چالش، تمرین و برنامه فوق برنامه Transfer Learning in TensorFlow Part 3 challenge, exercises and extra-curriculum

پروژه Milestone 1: Food Vision Big™ Milestone Project 1: Food Vision Big™

  • مقدمه ای بر پروژه Milestone 1: Food Vision Big™ Introduction to Milestone Project 1: Food Vision Big™

  • اطمینان از دسترسی به GPU مناسب برای آموزش با دقت ترکیبی Making sure we have access to the right GPU for mixed precision training

  • آماده شدن توابع کمکی Getting helper functions ready

  • مقدمه ای بر مجموعه داده های TensorFlow (TFDS) Introduction to TensorFlow Datasets (TFDS)

  • کاوش و یکی شدن با داده ها (Food101 از TensorFlow Datasets) Exploring and becoming one with the data (Food101 from TensorFlow Datasets)

  • ایجاد یک تابع پیش پردازش برای آماده سازی داده های ما برای مدل سازی Creating a preprocessing function to prepare our data for modelling

  • دسته‌بندی و آماده‌سازی مجموعه داده‌های ما (برای اجرای سریع آنها) Batching and preparing our datasets (to make them run fast)

  • کاوش در هنگام جمع‌بندی و واکشی اولیه داده‌هایمان چه اتفاقی می‌افتد Exploring what happens when we batch and prefetch our data

  • ایجاد فراخوان مدلسازی برای مدل استخراج ویژگی ما Creating modelling callbacks for our feature extraction model

  • توجه: خطاهای تولید دقیق مختلط برای TensorFlow 2.5+ Note: Mixed Precision producing errors for TensorFlow 2.5+

  • روشن کردن آموزش دقیق ترکیبی با TensorFlow Turning on mixed precision training with TensorFlow

  • ایجاد یک مدل استخراج ویژگی با قابلیت استفاده از آموزش دقیق ترکیبی Creating a feature extraction model capable of using mixed precision training

  • بررسی می کنیم که ببینیم آیا مدل ما از آموزش دقیق ترکیبی لایه به لایه استفاده می کند Checking to see if our model is using mixed precision training layer by layer

  • آموزش و ارزیابی مدل استخراج ویژگی (Food Vision Big™) Training and evaluating a feature extraction model (Food Vision Big™)

  • معرفی چالش Milestone Project 1: مدلی بسازید که بتواند DeepFood را شکست دهد Introducing your Milestone Project 1 challenge: build a model to beat DeepFood

  • پروژه Milestone 1: Food Vision Big™، تمرینات و برنامه های فوق برنامه Milestone Project 1: Food Vision Big™, exercises and extra-curriculum

مبانی NLP در TensorFlow NLP Fundamentals in TensorFlow

  • به پردازش زبان طبیعی با TensorFlow خوش آمدید! Welcome to natural language processing with TensorFlow!

  • مقدمه ای بر پردازش زبان طبیعی (NLP) و مسائل توالی Introduction to Natural Language Processing (NLP) and Sequence Problems

  • نمونه ورودی و خروجی NLP Example NLP inputs and outputs

  • معماری معمولی یک شبکه عصبی بازگشتی (RNN) The typical architecture of a Recurrent Neural Network (RNN)

  • در حال آماده کردن یک نوت بوک برای اولین پروژه NLP با TensorFlow Preparing a notebook for our first NLP with TensorFlow project

  • یکی شدن با داده ها و تجسم مجموعه داده متنی Becoming one with the data and visualising a text dataset

  • تقسیم داده ها به مجموعه های آموزشی و اعتبار سنجی Splitting data into training and validation sets

  • تبدیل داده های متنی به اعداد با استفاده از توکنیزاسیون و جاسازی (نمای کلی) Converting text data to numbers using tokenisation and embeddings (overview)

  • راه اندازی یک لایه TensorFlow TextVectorization برای تبدیل متن به اعداد Setting up a TensorFlow TextVectorization layer to convert text to numbers

  • نگاشت لایه TextVectorization به داده های متنی و تبدیل آن به اعداد Mapping the TextVectorization layer to text data and turning it into numbers

  • ایجاد یک لایه Embedding برای تبدیل متن نشانه گذاری شده به بردارهای جاسازی Creating an Embedding layer to turn tokenised text into embedding vectors

  • بحث در مورد آزمایش‌های مدل‌سازی مختلفی که قرار است اجرا کنیم Discussing the various modelling experiments we're going to run

  • مدل 0: ساخت یک مدل پایه برای تلاش و بهبود Model 0: Building a baseline model to try and improve upon

  • ایجاد یک تابع برای ردیابی و ارزیابی نتایج مدل ما Creating a function to track and evaluate our model's results

  • مدل 1: ساخت، برازش و ارزیابی اولین مدل عمیق ما بر روی داده های متنی Model 1: Building, fitting and evaluating our first deep model on text data

  • با ابزار پروژکتور TensorFlow، تعبیه‌های واژه‌ای یاد گرفته‌شده مدل خود را تجسم کنید Visualising our model's learned word embeddings with TensorFlow's projector tool

  • نمای اجمالی سطح بالا از شبکه‌های عصبی مکرر (RNN) + مکان‌هایی برای کسب اطلاعات بیشتر High-level overview of Recurrent Neural Networks (RNNs) + where to learn more

  • مدل 2: ساخت، نصب و ارزیابی اولین مدل TensorFlow RNN (LSTM) Model 2: Building, fitting and evaluating our first TensorFlow RNN model (LSTM)

  • مدل 3: ساخت، نصب و ارزیابی RNN مجهز به سلول GRU Model 3: Building, fitting and evaluating a GRU-cell powered RNN

  • مدل 4: ساخت، نصب و ارزیابی یک مدل RNN دو جهته Model 4: Building, fitting and evaluating a bidirectional RNN model

  • بحث در مورد شهود پشت شبکه‌های عصبی Conv1D برای متن و دنباله‌ها Discussing the intuition behind Conv1D neural networks for text and sequences

  • مدل 5: ساخت، نصب و ارزیابی یک CNN 1 بعدی برای متن Model 5: Building, fitting and evaluating a 1D CNN for text

  • استفاده از TensorFlow Hub برای جاسازی کلمات از پیش آموزش دیده (آموزش انتقال برای NLP) Using TensorFlow Hub for pretrained word embeddings (transfer learning for NLP)

  • مدل 6: ساخت، آموزش و ارزیابی مدل یادگیری انتقالی برای NLP Model 6: Building, training and evaluating a transfer learning model for NLP

  • آماده سازی زیر مجموعه داده ها برای مدل 7 (همانند مدل 6 اما 10 درصد داده ها) Preparing subsets of data for model 7 (same as model 6 but 10% of data)

  • مدل 7: ساخت، آموزش و ارزیابی مدل یادگیری انتقالی بر روی 10 درصد داده Model 7: Building, training and evaluating a transfer learning model on 10% data

  • رفع مشکل نشت داده ما در مدل 7 و آموزش مجدد آن Fixing our data leakage issue with model 7 and retraining it

  • مقایسه همه معیارهای ارزیابی آزمایش‌های مدل‌سازی ما Comparing all our modelling experiments evaluation metrics

  • بارگذاری گزارش های آموزشی مدل ما در TensorBoard و مقایسه آنها Uploading our model's training logs to TensorBoard and comparing them

  • ذخیره و بارگذاری در یک مدل NLP آموزش دیده با TensorFlow Saving and loading in a trained NLP model with TensorFlow

  • دانلود یک مدل از پیش آموزش دیده و آماده سازی داده ها برای بررسی پیش بینی ها Downloading a pretrained model and preparing data to investigate predictions

  • تجسم اشتباه ترین پیش بینی های مدل ما Visualising our model's most wrong predictions

  • ساخت و تجسم پیش بینی ها بر روی مجموعه داده های آزمایشی Making and visualising predictions on the test dataset

  • درک مفهوم مبادله سرعت/امتیاز Understanding the concept of the speed/score tradeoff

  • مبانی NLP در چالش تنسورفلو، تمرینات و برنامه فوق برنامه NLP Fundamentals in TensorFlow challenge, exercises and extra-curriculum

پروژه Milestone 2: SkimLit Milestone Project 2: SkimLit

  • مقدمه ای بر پروژه Milestone 2: SkimLit Introduction to Milestone Project 2: SkimLit

  • آنچه ما در پروژه Milestone 2 (NLP برای چکیده های پزشکی) پوشش خواهیم داد. What we're going to cover in Milestone Project 2 (NLP for medical abstracts)

  • ورودی ها و خروجی های SkimLit SkimLit inputs and outputs

  • راه اندازی نوت بوک ما برای پروژه Milestone 2 (دریافت داده ها) Setting up our notebook for Milestone Project 2 (getting the data)

  • تجسم نمونه هایی از مجموعه داده (یکی شدن با داده ها) Visualising examples from the dataset (becoming one with the data)

  • نوشتن یک تابع پیش پردازش برای ساختار داده های ما برای مدل سازی Writing a preprocessing function to structure our data for modelling

  • انجام تجزیه و تحلیل داده های بصری بر روی متن از پیش پردازش شده ما Performing visual data analysis on our preprocessed text

  • تبدیل برچسب های هدف ما به اعداد (مدل های ML نیاز به اعداد دارند) Turning our target labels into numbers (ML models require numbers)

  • مدل 0: ایجاد، برازش و ارزیابی یک مدل پایه برای SkimLit Model 0: Creating, fitting and evaluating a baseline model for SkimLit

  • آماده سازی داده های ما برای مدل های دنباله عمیق Preparing our data for deep sequence models

  • ایجاد یک بردار متن برای نگاشت نشانه های ما (متن) به اعداد Creating a text vectoriser to map our tokens (text) to numbers

  • ایجاد یک لایه جاسازی توکن سفارشی با TensorFlow Creating a custom token embedding layer with TensorFlow

  • ایجاد مجموعه داده با بارگیری سریع با API TensorFlow tf.data Creating fast loading dataset with the TensorFlow tf.data API

  • مدل 1: ساخت، نصب و ارزیابی یک Conv1D با جاسازی توکن Model 1: Building, fitting and evaluating a Conv1D with token embeddings

  • آماده سازی یک لایه تعبیه شده از قبل آموزش دیده از TensorFlow Hub برای مدل 2 Preparing a pretrained embedding layer from TensorFlow Hub for Model 2

  • مدل 2: ساخت، نصب و ارزیابی یک مدل Conv1D با جاسازی توکن Model 2: Building, fitting and evaluating a Conv1D model with token embeddings

  • ایجاد یک نشانه‌گذار در سطح کاراکتر با لایه TextVectorization TensorFlow Creating a character-level tokeniser with TensorFlow's TextVectorization layer

  • ایجاد یک لایه جاسازی در سطح کاراکتر با tf.keras.layers.Embedding Creating a character-level embedding layer with tf.keras.layers.Embedding

  • مدل 3: ساخت، برازش و ارزیابی یک مدل Conv1D بر روی تعبیه کاراکترها Model 3: Building, fitting and evaluating a Conv1D model on character embeddings

  • بحث در مورد نحوه ساخت مدل 4 (کاراکتر + جاسازی توکن) Discussing how we're going to build Model 4 (character + token embeddings)

  • مدل 4: ساخت یک مدل چند ورودی (توکن ترکیبی + تعبیه کاراکترها) Model 4: Building a multi-input model (hybrid token + character embeddings)

  • مدل 4: ترسیم و کاوش بصری ورودی های داده های مختلف Model 4: Plotting and visually exploring different data inputs

  • ایجاد مجموعه داده های tf.data با بارگذاری سریع چند ورودی برای مدل 4 Crafting multi-input fast loading tf.data datasets for Model 4

  • مدل 4: ساخت، نصب و ارزیابی یک مدل تعبیه ترکیبی Model 4: Building, fitting and evaluating a hybrid embedding model

  • مدل 5: افزودن جاسازی‌های موقعیتی از طریق مهندسی ویژگی (نمای کلی) Model 5: Adding positional embeddings via feature engineering (overview)

  • رمزگذاری ویژگی شماره خط برای استفاده در مدل 5 Encoding the line number feature to used with Model 5

  • رمزگذاری ویژگی خطوط کل برای استفاده در مدل 5 Encoding the total lines feature to be used with Model 5

  • مدل 5: ساخت پایه های یک مدل تعبیه سه گانه Model 5: Building the foundations of a tribrid embedding model

  • مدل 5: تکمیل ساخت یک مدل تعبیه سه‌گانه برای دنباله‌ها Model 5: Completing the build of a tribrid embedding model for sequences

  • بازرسی بصری معماری مدل تعبیه سه‌گانه ما Visually inspecting the architecture of our tribrid embedding model

  • ایجاد خطوط لوله ورودی داده چند سطحی برای مدل 5 با tf.data API Creating multi-level data input pipelines for Model 5 with the tf.data API

  • زنده کردن SkimLit!!! (برازش و ارزیابی مدل 5) Bringing SkimLit to life!!! (fitting and evaluating Model 5)

  • مقایسه عملکرد همه آزمایش‌های مدل‌سازی ما Comparing the performance of all of our modelling experiments

  • ذخیره، بارگیری و آزمایش بهترین مدل ما Saving, loading & testing our best performing model

  • تبریک و چالش شما قبل از رفتن به ماژول بعدی Congratulations and your challenge before heading to the next module

  • چالش پروژه Milestone 2 (SkimLit)، تمرینات و برنامه فوق برنامه Milestone Project 2 (SkimLit) challenge, exercises and extra-curriculum

اصول سری زمانی در TensorFlow + Milestone Project 3: BitPredict Time Series fundamentals in TensorFlow + Milestone Project 3: BitPredict

  • به اصول سری زمانی با TensorFlow + Milestone Project 3 خوش آمدید! Welcome to time series fundamentals with TensorFlow + Milestone Project 3!

  • معرفی پروژه Milestone 3 (BitPredict) و جایی که می توانید کمک بگیرید Introduction to Milestone Project 3 (BitPredict) & where you can get help

  • مشکل سری زمانی چیست و مشکلات پیش‌بینی نمونه در اوبر چیست What is a time series problem and example forecasting problems at Uber

  • مثال پیش بینی مشکلات در زندگی روزمره Example forecasting problems in daily life

  • چه چیزی را می توان پیش بینی کرد؟ What can be forecast?

  • آنچه را که قرار است پوشش دهیم (به طور کلی) What we're going to cover (broadly)

  • ورودی ها و خروجی های پیش بینی سری های زمانی Time series forecasting inputs and outputs

  • دانلود و بازرسی مجموعه داده های تاریخی بیت کوین ما Downloading and inspecting our Bitcoin historical dataset

  • انواع مختلف الگوهای سری زمانی و مقادیر متفاوت متغیرهای ویژگی Different kinds of time series patterns & different amounts of feature variables

  • تجسم داده های تاریخی بیت کوین ما با پانداها Visualizing our Bitcoin historical data with pandas

  • خواندن داده های بیت کوین ما با ماژول CSV پایتون Reading in our Bitcoin data with Python's CSV module

  • ایجاد تقسیم قطار و تست برای سری های زمانی (راه اشتباه) Creating train and test splits for time series (the wrong way)

  • ایجاد تقسیم قطار و تست برای سری های زمانی (روش صحیح) Creating train and test splits for time series (the right way)

  • ایجاد یک تابع رسم برای تجسم داده های سری زمانی ما Creating a plotting function to visualize our time series data

  • بحث در مورد آزمایش‌های مدل‌سازی مختلف قرار بود اجرا شود Discussing the various modelling experiments were going to be running

  • مدل 0: ساخت و تجسم یک مدل پیش بینی ساده لوحانه Model 0: Making and visualizing a naive forecast model

  • بحث در مورد برخی از رایج ترین معیارهای ارزیابی سری زمانی Discussing some of the most common time series evaluation metrics

  • پیاده سازی MASE با TensorFlow Implementing MASE with TensorFlow

  • ایجاد یک تابع برای ارزیابی پیش بینی های مدل ما با معیارهای مختلف Creating a function to evaluate our model's forecasts with various metrics

  • بحث در مورد دیگر انواع مدل‌های پیش‌بینی سری‌های زمانی غیر تنسورفلو Discussing other non-TensorFlow kinds of time series forecasting models

  • قالب‌بندی داده‌ها قسمت 2: ایجاد تابعی برای برچسب‌گذاری سری‌های زمانی پنجره‌دار ما Formatting data Part 2: Creating a function to label our windowed time series

  • بحث در مورد استفاده از پنجره ها و افق ها در داده های سری زمانی Discussing the use of windows and horizons in time series data

  • نوشتن یک تابع پیش پردازش برای تبدیل داده های سری زمانی به پنجره ها و برچسب ها Writing a preprocessing function to turn time series data into windows & labels

  • تبدیل داده های سری زمانی پنجره ای ما به مجموعه های آموزشی و آزمایشی Turning our windowed time series data into training and test sets

  • ایجاد یک پاسخ تماس ایست بازرسی مدلسازی برای ذخیره بهترین مدل ما Creating a modelling checkpoint callback to save our best performing model

  • مدل 1: ساخت، کامپایل و برازش یک مدل یادگیری عمیق بر روی داده های بیت کوین Model 1: Building, compiling and fitting a deep learning model on Bitcoin data

  • ایجاد یک تابع برای پیش بینی با مدل های آموزش دیده ما Creating a function to make predictions with our trained models

  • مدل 2: ساخت، نصب و ارزیابی یک مدل عمیق با اندازه پنجره بزرگتر Model 2: Building, fitting and evaluating a deep model with a larger window size

  • مدل 3: ساخت، نصب و ارزیابی مدلی با اندازه افق بزرگتر Model 3: Building, fitting and evaluating a model with a larger horizon size

  • تنظیم عملکرد ارزیابی برای پیش بینی هایی با افق بزرگتر Adjusting the evaluation function to work for predictions with larger horizons

  • مدل 3: تجسم نتایج Model 3: Visualizing the results

  • مقایسه آزمایش‌های مدل‌سازی ما تا کنون و بحث در مورد همبستگی خودکار Comparing our modelling experiments so far and discussing autocorrelation

  • آماده سازی داده ها برای ساخت یک مدل Conv1D Preparing data for building a Conv1D model

  • مدل 4: ساخت، برازش و ارزیابی یک مدل Conv1D بر روی داده های بیت کوین ما Model 4: Building, fitting and evaluating a Conv1D model on our Bitcoin data

  • مدل 5: ساخت، برازش و ارزیابی مدل LSTM (RNN) بر روی داده های بیت کوین ما Model 5: Building, fitting and evaluating a LSTM (RNN) model on our Bitcoin data

  • بررسی چگونگی تبدیل سری زمانی تک متغیره خود به چند متغیره Investigating how to turn our univariate time series into multivariate

  • ایجاد و ترسیم یک سری زمانی چند متغیره با قیمت BTC و پاداش بلوک Creating and plotting a multivariate time series with BTC price and block reward

  • آماده سازی سری زمانی چند متغیره ما برای یک مدل Preparing our multivariate time series for a model

  • مدل 6: ساخت، برازش و ارزیابی مدل سری زمانی چند متغیره Model 6: Building, fitting and evaluating a multivariate time series model

  • مدل 7: بحث در مورد آنچه که قرار است با الگوریتم N-BEATS انجام دهیم Model 7: Discussing what we're going to be doing with the N-BEATS algorithm

  • مدل 7: تکرار بلوک پایه N-BEATS با طبقه بندی لایه TensorFlow Model 7: Replicating the N-BEATS basic block with TensorFlow layer subclassing

  • مدل 7: آزمایش اجرای بلوک N-BEATS با ورودی های داده ساختگی Model 7: Testing our N-BEATS block implementation with dummy data inputs

  • مدل 7: ایجاد خط لوله داده عملکردی برای مدل N-BEATS با tf.data Model 7: Creating a performant data pipeline for the N-BEATS model with tf.data

  • مدل 7: تنظیم هایپرپارامترها برای الگوریتم N-BEATS Model 7: Setting up hyperparameters for the N-BEATS algorithm

  • مدل 7: آماده شدن برای اتصالات باقیمانده Model 7: Getting ready for residual connections

  • مدل 7: تشریح مراحلی که قرار است برای ساختن مدل N-BEATS برداریم Model 7: Outlining the steps we're going to take to build the N-BEATS model

  • مدل 7: کنار هم قرار دادن تکه های پازل مدل N-BEATS Model 7: Putting together the pieces of the puzzle of the N-BEATS model

  • مدل 7: ترسیم الگوریتم N-BEATS که ایجاد کرده ایم و زیبایی آن را تحسین می کنیم Model 7: Plotting the N-BEATS algorithm we've created and admiring its beauty

  • مدل 8: نمای کلی مدل گروه Model 8: Ensemble model overview

  • مدل 8: ساخت، تدوین و نصب مجموعه ای از مدل ها Model 8: Building, compiling and fitting an ensemble of models

  • مدل 8: ساخت و ارزیابی پیش بینی ها با مدل مجموعه ما Model 8: Making and evaluating predictions with our ensemble model

  • بحث در مورد اهمیت فواصل پیش بینی در پیش بینی Discussing the importance of prediction intervals in forecasting

  • گرفتن مرزهای بالا و پایین فواصل پیش بینی ما Getting the upper and lower bounds of our prediction intervals

  • ترسیم فواصل پیش‌بینی پیش‌بینی‌های مدل مجموعه ما Plotting the prediction intervals of our ensemble model predictions

  • (اختیاری) بحث در مورد انواع عدم قطعیت در یادگیری ماشین (Optional) Discussing the types of uncertainty in machine learning

  • مدل 9: آماده سازی داده ها برای ایجاد مدلی با قابلیت پیش بینی آینده Model 9: Preparing data to create a model capable of predicting into the future

  • مدل 9: ساخت، تدوین و برازش یک مدل پیش بینی آینده Model 9: Building, compiling and fitting a future predictions model

  • مدل 9: بحث در مورد آنچه که مدل ما برای پیش بینی های آینده مورد نیاز است Model 9: Discussing what's required for our model to make future predictions

  • مدل 9: ایجاد یک تابع برای پیش بینی در آینده Model 9: Creating a function to make forecasts into the future

  • مدل 9: ترسیم پیش بینی های آینده مدل ما Model 9: Plotting our model's future forecasts

  • مدل 10: معرفی مشکل بوقلمون و ایجاد داده برای آن Model 10: Introducing the turkey problem and making data for it

  • مدل 10: ساخت مدلی برای پیش بینی بر روی داده های بوقلمون (چرا پیش بینی BS است) Model 10: Building a model to predict on turkey data (why forecasting is BS)

  • مقایسه نتایج همه مدل‌های ما و بحث در مورد اینکه کجا باید ادامه دهیم Comparing the results of all of our models and discussing where to go next

  • چالش بنیادی سری زمانی تنسورفلو و منابع اضافی TensorFlow Time Series Fundamentals Challenge and Extra Resources

از اینجا به کجا برویم؟ Where To Go From Here?

  • یک فارغ التحصیل شوید Become An Alumni

  • تاییدیه های لینکدین LinkedIn Endorsements

  • بررسی دوره Course Review

  • چالش نهایی The Final Challenge

پیوست: پرایمر یادگیری ماشینی Appendix: Machine Learning Primer

  • توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • هوش مصنوعی/یادگیری ماشین/علم داده AI/Machine Learning/Data Science

  • تمرین: زمین بازی یادگیری ماشینی Exercise: Machine Learning Playground

  • چگونه به اینجا رسیدیم؟ How Did We Get Here?

  • تمرین: موتور توصیه یوتیوب Exercise: YouTube Recommendation Engine

  • انواع یادگیری ماشینی Types of Machine Learning

  • آیا هنوز آن را دریافت می کنید؟ Are You Getting It Yet?

  • یادگیری ماشینی چیست؟ دور 2 What Is Machine Learning? Round 2

  • بررسی بخش Section Review

پیوست: یادگیری ماشین و چارچوب علم داده Appendix: Machine Learning and Data Science Framework

  • توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

  • نمای کلی بخش Section Overview

  • معرفی چارچوب ما Introducing Our Framework

  • چارچوب یادگیری ماشین 6 مرحله ای 6 Step Machine Learning Framework

  • انواع مشکلات یادگیری ماشینی Types of Machine Learning Problems

  • انواع داده ها Types of Data

  • انواع ارزشیابی Types of Evaluation

  • ویژگی ها در داده ها Features In Data

  • مدل سازی - تقسیم داده ها Modelling - Splitting Data

  • مدلسازی - انتخاب مدل Modelling - Picking the Model

  • مدلسازی - تیونینگ Modelling - Tuning

  • مدلسازی - مقایسه Modelling - Comparison

  • تعاریف Overfitting و Underfitting Overfitting and Underfitting Definitions

  • آزمایش Experimentation

  • ابزارهایی که استفاده خواهیم کرد Tools We Will Use

  • اختیاری: عناصر هوش مصنوعی Optional: Elements of AI

ضمیمه: پانداها برای تجزیه و تحلیل داده ها Appendix: Pandas for Data Analysis

  • توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

  • نمای کلی بخش Section Overview

  • دانلود کتاب های کار و تکالیف Downloading Workbooks and Assignments

  • معرفی پانداها Pandas Introduction

  • سری ها، فریم های داده و CSV ها Series, Data Frames and CSVs

  • داده ها از URL ها Data from URLs

  • توصیف داده ها با پانداها Describing Data with Pandas

  • انتخاب و مشاهده داده ها با پانداها Selecting and Viewing Data with Pandas

  • انتخاب و مشاهده داده ها با پانداها قسمت 2 Selecting and Viewing Data with Pandas Part 2

  • دستکاری داده ها Manipulating Data

  • دستکاری داده ها 2 Manipulating Data 2

  • دستکاری داده ها 3 Manipulating Data 3

  • تکلیف: تمرین پانداها Assignment: Pandas Practice

  • نحوه دانلود تکالیف دوره How To Download The Course Assignments

پیوست: NumPy Appendix: NumPy

  • توجه سریع: ویدیوهای آینده Quick Note: Upcoming Videos

  • نمای کلی بخش Section Overview

  • معرفی NumPy NumPy Introduction

  • توجه سریع: تصحیح در ویدیوی بعدی Quick Note: Correction In Next Video

  • انواع داده ها و ویژگی های NumPy NumPy DataTypes and Attributes

  • ایجاد آرایه های NumPy Creating NumPy Arrays

  • NumPy Random Seed NumPy Random Seed

  • مشاهده آرایه ها و ماتریس ها Viewing Arrays and Matrices

  • دستکاری آرایه ها Manipulating Arrays

  • دستکاری آرایه ها 2 Manipulating Arrays 2

  • انحراف معیار و واریانس Standard Deviation and Variance

  • تغییر شکل و جابجایی Reshape and Transpose

  • محصول نقطه ای در مقابل عنصر ویز Dot Product vs Element Wise

  • تمرین: فروش فروشگاه کره آجیل Exercise: Nut Butter Store Sales

  • اپراتورهای مقایسه Comparison Operators

  • مرتب سازی آرایه ها Sorting Arrays

  • تبدیل تصاویر به آرایه های NumPy Turn Images Into NumPy Arrays

  • تکلیف: تمرین NumPy Assignment: NumPy Practice

  • اختیاری: منابع NumPy اضافی Optional: Extra NumPy resources

بخش پاداش BONUS SECTION

  • سخنرانی پاداش ویژه Special Bonus Lecture

نمایش نظرات

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.

آموزش TensorFlow برای Bootcamp یادگیری عمیق
جزییات دوره
62.5 hours
417
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
76,188
4.7 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Andrei Neagoie Andrei Neagoie

بنیانگذار zerotomastery.io

Daniel Bourke Daniel Bourke

مهندس یادگیری ماشین/نویسنده/سازنده فیلم