آموزش یادگیری عمیق و یادگیری تقویتی - آخرین آپدیت

دانلود Deep Learning and Reinforcement Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره شما را با دو مورد از پرتقاضاترین حوزه‌ها در یادگیری ماشین آشنا می‌کند: یادگیری عمیق (Deep Learning) و یادگیری تقویتی (Reinforcement Learning). یادگیری عمیق زیرمجموعه‌ای از یادگیری ماشین است که در هر دو رویکرد یادگیری نظارت‌شده و نظارت‌نشده کاربرد دارد و اغلب برای قدرت بخشیدن به اکثر برنامه‌های هوش مصنوعی که روزانه از آن‌ها استفاده می‌کنیم، به کار می‌رود. ابتدا تئوری پشت شبکه‌های عصبی را که پایه و اساس یادگیری عمیق هستند، به همراه چندین معماری مدرن یادگیری عمیق خواهید آموخت. پس از توسعه چند مدل یادگیری عمیق، تمرکز دوره بر یادگیری تقویتی خواهد بود؛ نوعی از یادگیری ماشین که اخیراً توجه بسیاری را به خود جلب کرده است. اگرچه در حال حاضر یادگیری تقویتی کاربردهای عملی محدودی دارد، اما یک حوزه پژوهشی نویدبخش در هوش مصنوعی است که احتمالاً در آینده‌ای نزدیک بسیار کاربردی خواهد شد. پس از این دوره، اگر دوره‌های تخصص IBM را به ترتیب دنبال کرده باشید، تجربه عملی قابل توجه و درک استواری از انواع اصلی یادگیری ماشین خواهید داشت که عبارتند از: یادگیری نظارت‌شده، یادگیری نظارت‌نشده، یادگیری عمیق و یادگیری تقویتی. در پایان این دوره شما قادر خواهید بود: - انواع مسائلی که برای رویکردهای یادگیری نظارت‌نشده مناسب هستند را توضیح دهید - «نفرین ابعاد» (Curse of Dimensionality) و نحوه دشوار کردن خوشه‌بندی در حضور ویژگی‌های زیاد را شرح دهید - الگوریتم‌های رایج خوشه‌بندی و کاهش ابعاد را توصیف و استفاده کنید - در موارد مناسب، خوشه‌بندی نقاط را امتحان کرده و عملکرد مدل‌های هر خوشه را مقایسه کنید - معیارهای مرتبط برای توصیف خوشه‌ها را درک کنید چه کسانی باید در این دوره شرکت کنند؟ این دوره برای دانشمندان داده آینده‌نگر که علاقه‌مند به کسب تجربه عملی در زمینه یادگیری عمیق و یادگیری تقویتی هستند، طراحی شده است. چه مهارت‌هایی باید داشته باشید؟ برای بهره‌مندی حداکثری از این دوره، باید با برنامه‌نویسی در محیط توسعه پایتون (Python) آشنا باشید و درک بنیادی از پاک‌سازی داده‌ها، تحلیل اکتشافی داده‌ها (EDA)، یادگیری نظارت‌نشده، یادگیری نظارت‌شده، حسابان، جبر خطی، احتمالات و آمار داشته باشید.

سرفصل ها و درس ها

مقدمه‌ای بر شبکه‌های عصبی Introduction to Neural Networks

  • معرفی دوره Course Introduction

  • مقدمه‌ای بر شبکه‌های عصبی Introduction to Neural Networks

  • مبانی نورون‌ها Basics of Neurons

  • شبکه‌های عصبی با تابع سیگموئید Neural Networks with Sigmoid Function

  • نورون در عمل Neuron in Action

  • شبکه‌های عصبی با SKlearn Neural Networks with SKlearn

  • انتشار پیشرو (Forward Propagation) Forward Propagation

  • نمایش ماتریسی انتشار پیشرو Matrix Representation of Forward Propagation

  • انواع اصلی شبکه‌های عصبی عمیق Main Types of Deep Neural Network

  • (اختیاری) نوت‌بوک مقدمه‌ای بر شبکه‌های عصبی - بخش اول (Optional) Introduction to Neural Networks Notebook - Part 1

  • (اختیاری) نوت‌بوک مقدمه‌ای بر شبکه‌های عصبی - بخش دوم (Optional) Introduction to Neural Networks Notebook - Part 2

  • مبانی گرادیان کاهشی (Gradient Descent) Gradient Descent Basics

  • مقایسه روش‌های مختلف گرادیان کاهشی Compare Different Gradient Descent Methods

  • (اختیاری) نوت‌بوک گرادیان کاهشی - بخش اول (Optional) Gradient Descent Notebook - Part 1

  • (اختیاری) نوت‌بوک گرادیان کاهشی - بخش دوم (Optional) Gradient Descent Notebook - Part 2

  • (اختیاری) نوت‌بوک گرادیان کاهشی - بخش سوم (Optional) Gradient Descent Notebook - Part 3

آموزش پس‌انتشار و کراس (Keras) Back Propagation Training and Keras

  • نحوه آموزش یک شبکه عصبی How to Train a Neural Network

  • پس‌انتشار (Backpropagation) Backpropagation

  • (اختیاری) نوت‌بوک پس‌انتشار - بخش اول (Optional) Backpropagation Notebook - Part 1

  • (اختیاری) نوت‌بوک پس‌انتشار - بخش دوم (Optional) Backpropagation Notebook - Part 2

  • تابع فعال‌ساز سیگموئید The Sigmoid Activation Function

  • سایر توابع فعال‌ساز محبوب Other Popular Activation Functions

  • (اختیاری) نوت‌بوک پس‌انتشار - بخش سوم (Optional) Backpropagation Notebook - Part 3

  • کتابخانه‌های محبوب یادگیری عمیق Popular Deep Learning Library

  • گردش کار معمول در کراس (Keras) A Typical Keras Workflow

  • پیاده‌سازی یک نمونه شبکه عصبی در کراس Implementing an Example Neural Network in Keras

  • (اختیاری) نوت‌بوک کراس - بخش اول (Optional) Keras Notebook - Part 1

  • (اختیاری) نوت‌بوک کراس - بخش دوم (Optional) Keras Notebook - Part 2

  • (اختیاری) نوت‌بوک کراس - بخش سوم (Optional) Keras Notebook - Part 3

بهینه‌سازهای شبکه عصبی Neural Network Optimizers

  • بهینه‌سازها و تکانه (Momentum) Optimizers and Momentum

  • تکنیک‌های منظم‌سازی در یادگیری عمیق Regularization Techniques for Deep Learning

  • بهینه‌سازهای محبوب Popular Optimizers

  • جزئیات آموزش شبکه‌های عصبی Details of Training Neural Networks

  • برهم‌زدن داده‌ها (Data Shuffling) Data Shuffling

  • تغییر شکل‌ها (Transforms) Transforms

شبکه‌های عصبی کانولوشنال (CNN) Convolutional Neural Networks

  • آنتروپی متقاطع دسته‌ای (Categorical Cross Entropy) Categorical Cross Entropy

  • مقدمه‌ای بر شبکه‌های عصبی کانولوشنال (CNN) Introduction to Convolutional Neural Networks (CNN)

  • مجموعه داده‌های تصویری Images Dataset

  • کرنل‌ها (Kernels) Kernels

  • کانولوشن برای تصاویر رنگی Convolution for Color Images

  • تنظیمات کانولوشن: Padding و Stride Convolutional Settings - Padding and Stride

  • تنظیمات کانولوشن: عمق و Pooling Convolutional Settings - Depth and Pooling

  • (اختیاری) نوت‌بوک دمو CNN - بخش اول (Optional) Demo CNN Notebook - Part 1

  • (اختیاری) نوت‌بوک دمو CNN - بخش دوم (Optional) Demo CNN Notebook - Part 2

یادگیری انتقالی (Transfer Learning) Transfer Learning

  • مقدمه‌ای بر یادگیری انتقالی Introduction to Transfer Learning

  • یادگیری انتقالی و تنظیم دقیق (Fine Tuning) Transfer Learning and Fine Tuning

  • (اختیاری) نوت‌بوک یادگیری انتقالی (Optional) Transfer Learning Notebook

  • معماری‌های شبکه عصبی کانولوشنال: LeNet Convolutional Neural Network Architectures - LeNet

  • معماری‌های شبکه عصبی کانولوشنال: AlexNet Convolutional Neural Network Architectures - AlexNet

  • معماری VGG VGG

  • معماری‌های شبکه عصبی کانولوشنال: Inception Convolutional Neural Network Architectures - Inception

  • معماری‌های شبکه عصبی کانولوشنال: ResNet Convolutional Neural Network Architectures - ResNet

شبکه‌های عصبی بازگشتی و شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) Recurrent Neural Networks and Long-Short Term Memory Networks

  • شبکه‌های عصبی بازگشتی (RNNs) Recurrent Neural Networks (RNNs)

  • وضعیت و شبکه‌های عصبی بازگشتی State and Recurrent Neural Networks

  • جزئیات شبکه‌های عصبی بازگشتی Details Recurrent Neural Networks

  • (اختیاری) نوت‌بوک شبکه‌های عصبی بازگشتی - بخش اول (Optional) Recurrent Neural Networks Notebook - Part 1

  • (اختیاری) نوت‌بوک شبکه‌های عصبی بازگشتی - بخش دوم (Optional) Recurrent Neural Networks Notebook - Part 2

  • شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM) Long-Short Term Memory (LSTM) Networks

  • توضیحات LSTM LSTM Explanation

  • واحد بازگشتی گیت‌دار (GRU) Gated Recurrent Unit

  • جزئیات واحد بازگشتی گیت‌دار Gated Recurrent Unit Details

اتوانکودرها (Autoencoders) Autoencoders

  • مقدمه‌ای بر اتوانکودرها Introduction to Autoencoders

  • اتوانکودرها Autoencoders

  • (اختیاری) نوت‌بوک اتوانکودرها - بخش اول (Optional) Autoencoders Notebook - Part 1

  • (اختیاری) نوت‌بوک اتوانکودرها - بخش دوم (Optional) Autoencoders Notebook - Part 2

  • (اختیاری) نوت‌بوک اتوانکودرها - بخش سوم (Optional) Autoencoders Notebook - Part 3

  • (اختیاری) نوت‌بوک اتوانکودرها - بخش چهارم (Optional) Autoencoders Notebook - Part 4

  • (اختیاری) نوت‌بوک اتوانکودرها - بخش پنجم (Optional) Autoencoders Notebook - Part 5

مدل‌های مولد و کاربردهای یادگیری عمیق Generative Models and Applications of Deep Learning

  • اتوانکودر متغیر (VAE) چیست What is a Variational Autoencoder

  • نحوه عملکرد اتوانکودرهای متغیر How Variational Autoencoders Work

  • مقدمه‌ای بر GANها Introduction to GANs

  • نحوه عملکرد GANها How GANS Work

  • مشکلات آموزش GANها Issues with Training GANS

  • مباحث تکمیلی در یادگیری عمیق Additional Topics in Deep Learning

  • هوش مصنوعی قابل توضیح مستقل از مدل Model Agnostic Explainable AI

یادگیری تقویتی Reinforcement Learning

  • یادگیری تقویتی (RL) Reinforcement Learning (RL)

  • (اختیاری) نوت‌بوک یادگیری تقویتی - بخش اول (Optional) Reinforcement Learning Notebook - Part 1

  • (اختیاری) نوت‌بوک یادگیری تقویتی - بخش دوم (Optional) Reinforcement Learning Notebook - Part 2

  • (اختیاری) نوت‌بوک یادگیری تقویتی - بخش سوم (Optional) Reinforcement Learning Notebook - Part 3

  • (اختیاری) نوت‌بوک یادگیری تقویتی - بخش چهارم (Optional) Reinforcement Learning Notebook - Part 4

نمایش نظرات

آموزش یادگیری عمیق و یادگیری تقویتی
جزییات دوره
31h 22m
80
(آخرین آپدیت)
48,024
- 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

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده

Mark J Grover Mark J Grover

Miguel Maldonado Miguel Maldonado