لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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?
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
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
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
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.
نمایش نظرات