کانال تلگرام پشتیبانی تلگرام شماره تماس پشتیبانی: 0930 395 3766
ورود ثبت نام

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

به آموزش 2019 دسترسی پیدا کنید

به آموزش 2019 دسترسی پیدا کنید

Access 2019 Essential Training

آموزش فراتر از Excel II: ایجاد کدا برای کمک به تیم و مشتریان شما

آموزش فراتر از Excel II: ایجاد کدا برای کمک به تیم و مشتریان شما

Beyond Excel II: Building In Coda to Help Your Team and Clients

آموزش مقدمه ای بر InfluxDB

آموزش مقدمه ای بر InfluxDB

Introduction to InfluxDB

نمایش نظرات

آموزش انتقال دستی با TensorFlow 2.0 [ویدئو]
جزییات دوره
1 h 25 m
13
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد

https://donyad.com/d/adad14

جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Margaret Maynard-Reid Margaret Maynard-Reid

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.

Python پایتون Data Data Science داده علم داده