لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش انتقال دستی با TensorFlow 2.0 [ویدئو]
Hands-On Transfer Learning with TensorFlow 2.0 [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری انتقالی شامل استفاده از یک مدل از پیش آموزش دیده در مورد یک مشکل جدید است. در حال حاضر در زمینه یادگیری عمیق بسیار محبوب است زیرا به شما امکان می دهد شبکه های عصبی عمیق را با داده های نسبتا کمی آموزش دهید. در یادگیری انتقال، دانش یک مدل یادگیری ماشینی که قبلاً آموزش دیده است، برای یک مشکل متفاوت اما مرتبط اعمال می شود.
ایده کلی این است که از دانشی استفاده کنیم که یک مدل از کاری که در آن داده های آموزشی برچسب گذاری شده زیادی در دسترس است، در یک کار جدید که داده های زیادی نداریم، یاد گرفته است. به جای اینکه فرآیند یادگیری را از ابتدا شروع کنید، از الگوهایی شروع می کنید که با حل یک کار مرتبط آموخته شده اند.
در این دوره آموزشی، نحوه پیاده سازی یادگیری انتقال را برای حل مجموعه متفاوتی از مشکلات یادگیری ماشین با استفاده مجدد از مدل های از پیش آموزش دیده برای آموزش مدل های دیگر بیاموزید. مثالهای عملی با یادگیری انتقالی، شما را شروع میکند و به شما امکان میدهد تا به نحوه و چرایی استفاده گسترده از آن در حوزههای مختلف یادگیری عمیق تسلط پیدا کنید.
شما موارد کاربرد عملی یادگیری انتقال را در CNN و RNN مانند استفاده از طبقهبندیکنندههای تصویر، طبقهبندی متن، تجزیه و تحلیل احساسات و موارد دیگر پیادهسازی خواهید کرد. به شما نشان داده می شود که چگونه مدل ها را آموزش دهید و چگونه از یک مدل از پیش آموزش دیده برای آموزش مدل های آموزش ندیده مشابه استفاده می شود تا فرآیند یادگیری انتقال را حتی بیشتر اعمال کنید. به شما امکان می دهد موارد استفاده پیشرفته را پیاده سازی کنید و یاد بگیرید که چگونه یادگیری انتقال در هنگام حل مشکلات دنیای واقعی در یادگیری عمیق شتاب بیشتری می گیرد.
در پایان این دوره، شما نه تنها می توانید مدل های یادگیری ماشین بسازید، بلکه بر انتقال با ابزارهای tf.keras، TensorFlow Hub و TensorFlow Lite مسلط هستید.
بسته کد این دوره در https://github.com/PacktPublishing/Hands-On-Transfer-Learning-with-TensorFlow-2.0-Video موجود است برنامه طبقه بندی تصویر خود را با استفاده از شبکه های عصبی کانولوشن و TensorFlow 2.0 بسازید.
با استفاده از قدرت یادگیری انتقال در شبکه های عصبی کانولوشن، تنها در چند خط کد، هر سیستم طبقه بندی تصویر را بهبود بخشید.
با ساختن یک سیستم تحلیل احساسات با استفاده از قدرت شبکههای عصبی تکراری و API سطح بالای TensorFlow 2.0، احساس کاربران را در مورد فیلمهای IMDB کشف کنید.
بیاموزید که چگونه یادگیری انتقالی را در شبکه های عصبی مکرر انجام دهید و هر سیستم مبتنی بر متن را به طور قدرتمند بهبود بخشید
نحوه استفاده از TensorFlow Hub و TensorFlow Lite را بیاموزید تا یادگیری انتقالی را بسیار آسانتر کنید.
پیش نیاز: انتظار می رود دانش اولیه یادگیری ماشین و پایتون بیشترین بهره را از ویدیو ببرید. دانش خود را از CNN با توضیحات عمیق در مورد نحوه عملکرد یادگیری انتقالی تجدید کنید * از یادگیری انتقال برای طبقه بندی تصاویر و متن استفاده کنید و با آموزش از ابتدا با رویکرد مقایسه/تضاد کنید * ویژگی های جدید TensorFlow 2.0، tf.keras، TensorFlow Hub را بیاموزید. ، TensorFlow Model Maker و آموزش روی دستگاه
سرفصل ها و درس ها
طبقهبندی تصویر از ابتدا با TensorFlow 2.0
Image Classifier from Scratch with TensorFlow 2.0
بررسی اجمالی دوره
Course Overview
TensorFlow 2.0
TensorFlow 2.0
اصول اولیه Google Colab
Google Colab Basics
طبقه بندی تصویر با tf.keras
Image Classifier with tf.keras
آموزش انتقال با tf.keras
Transfer Learning with tf.keras
مروری بر یادگیری انتقال
Transfer Learning Overview
ConvNets از پیش آموزش دیده
Pre-trained ConvNets
آموزش انتقال - استخراج کننده ویژگی
Transfer Learning – Feature Extractor
آموزش انتقال - تنظیم دقیق
Transfer Learning – Fine Tuning
انتقال یادگیری با TensorFlow Hub
Transfer Learning with TensorFlow Hub
نمای کلی TensorFlow Hub
TensorFlow Hub Overview
طبقهبندیکننده تصویر با TensorFlow Hub
Image Classifier with TensorFlow Hub
طبقه بندی متن با TensorFlow Hub
Text Classification with TensorFlow Hub
مدل ساز TFLite
TFLite Model Maker
مدل ساز TensorFlow Lite
TensorFlow Lite Model Maker
آموزش روی دستگاه
On-Device Training
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
مارگارت مینارد-رید یک متخصص توسعه دهنده گوگل (GDE) برای یادگیری ماشین، مشارکت کننده در چارچوب متن باز ML TensorFlow و نویسنده انتشارات TensorFlow Medium است. او پست های وبلاگ می نویسد و در کنفرانس هایی در مورد ML روی دستگاه، یادگیری عمیق، بینایی کامپیوتر، TensorFlow و Android صحبت می کند. مارگارت رهبری گروه توسعه دهندگان Google (GDG) سیاتل و سیاتل Data/Analytics/ML را بر عهده دارد و علاقه زیادی به کمک به دیگران برای شروع کار با AI/ML دارد. او در برنامه آموزش حرفه ای و مداوم دانشگاه واشنگتن تدریس کرده است. او چندین سال است که با TensorFlow کار می کند و با آزمایش و سازماندهی پروژه Global Docs Sprint به موفقیت آن کمک کرده است.
نمایش نظرات