لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پایتون برای یادگیری عمیق: ساخت شبکه های عصبی در پایتون
دانلود Python for Deep Learning: Build Neural Networks in Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
دوره کامل یادگیری عمیق برای تسلط بر علوم داده، Tensorflow، هوش مصنوعی و شبکه های عصبی اصول نظریه یادگیری عمیق را بیاموزید نحوه استفاده از یادگیری عمیق در پایتون را بیاموزید نحوه استفاده از چارچوب های مختلف در پایتون برای حل مشکلات دنیای واقعی با استفاده از یادگیری عمیق و هوش مصنوعی پیش بینی با استفاده از رگرسیون خطی، رگرسیون چند جمله ای و رگرسیون چند متغیره ایجاد شبکه های عصبی مصنوعی با Tensorflow و Keras پیش نیازها: تجربه مبانی کدنویسی در پایتون مهارت های پایه ریاضی آمادگی، انعطاف پذیری و اشتیاق به یادگیری
Python به دلیل انعطاف پذیری خود به عنوان یکی از بهترین زبان های برنامه نویسی مشهور است. تقریباً در همه زمینه ها، از توسعه وب گرفته تا توسعه برنامه های مالی، کار می کند. با این حال، بر کسی پوشیده نیست که بهترین برنامه پایتون در یادگیری عمیق و وظایف هوش مصنوعی است.
در حالی که پایتون یادگیری عمیق را آسان می کند، هنوز برای افرادی که در وهله اول از نحوه کار یادگیری ماشین اطلاعی ندارند، بسیار خسته کننده خواهد بود.
اگر اصول اولیه پایتون را می دانید و انگیزه ای برای یادگیری عمیق دارید، این دوره برای شما طراحی شده است. این دوره آموزشی به شما کمک میکند یاد بگیرید که چگونه برنامههایی ایجاد کنید که ورودی دادهها را دریافت میکنند و استخراج ویژگیها را خودکار میکنند و کارهای دنیای واقعی را برای انسانها ساده میکنند.
صدها منبع یادگیری ماشینی در اینترنت موجود است. با این حال، اگر آنچه را که یاد می گیرید فیلتر نکنید، در خطر یادگیری درس های غیر ضروری هستید. در حین ایجاد این دوره، ما به فیلتر کردن کمک کردهایم تا اصول اساسی مورد نیاز در سفر یادگیری عمیق خود را جدا کنیم.
این یک دوره آموزشی اصولی است که هم برای مبتدیان و هم برای متخصصان عالی است. اگر به دنبال دورهای هستید که از اصول اولیه شروع میشود و تا موضوعات پیشرفته ادامه مییابد، این بهترین دوره برای شماست.
این فقط آنچه را که برای شروع یادگیری عمیق نیاز دارید را آموزش می دهد. در حالی که این به مختصر نگه داشتن دوره کمک می کند، همه چیزهایی است که برای شروع با موضوع نیاز دارید.
سرفصل ها و درس ها
مقدمه ای بر یادگیری عمیق
Introduction to Deep Learning
یادگیری عمیق چیست؟
What is a Deep Learning ?
مواد درسی
Course Materials
چرا یادگیری عمیق مهم است؟
Why is Deep Learning Important?
نرم افزار و چارچوب
Software and Frameworks
شبکه های عصبی مصنوعی (ANN)
Artificial Neural Networks (ANN)
معرفی
Introduction
آناتومی و عملکرد نورون ها
Anatomy and function of neurons
مقدمه ای بر شبکه عصبی
An introduction to the neural network
معماری یک شبکه عصبی
Architecture of a neural network
انتشار اطلاعات در شبکه های عصبی مصنوعی
Propagation of information in ANNs
شبکههای انتشار پیشخور و برگشتی
Feed-forward and Back Propagation Networks
انتشار پس در شبکه های عصبی
Backpropagation In Neural Networks
به حداقل رساندن تابع هزینه با استفاده از پس انتشار
Minimizing the cost function using backpropagation
معماری شبکه های عصبی
Neural Network Architectures
مدل پرسپترون تک لایه (SLP).
Single layer perceptron (SLP) model
شبکه پایه شعاعی (RBN)
Radial Basis Network (RBN)
شبکه عصبی پرسپترون چند لایه (MLP).
Multi-layer perceptron (MLP) Neural Network
شبکه عصبی بازگشتی (RNN)
Recurrent neural network (RNN)
شبکه های حافظه کوتاه مدت (LSTM).
Long Short-Term Memory (LSTM) networks
شبکه عصبی هاپفیلد
Hopfield neural network
شبکه عصبی ماشین بولتزمن
Boltzmann Machine Neural Network
توابع فعال سازی
Activation Functions
عملکرد فعال سازی چیست؟
What is the Activation Function?
اصطلاحات مهم
Important Terminologies
تابع سیگموئید
The sigmoid function
تابع مماس هایپربولیک
Hyperbolic tangent function
تابع سافت مکس
Softmax function
تابع واحد خطی اصلاح شده (ReLU).
Rectified Linear Unit (ReLU) function
عملکرد واحد خطی اصلاح شده نشتی
Leaky Rectified Linear Unit function
الگوریتم گرادیان نزول
Gradient Descent Algorithm
Gradient Descent چیست؟
What is Gradient Decent?
نزول گرادیان تصادفی چیست؟
What is Stochastic Gradient Decent?
شیب نزول در مقابل شیب تصادفی نزول
Gradient Decent vs Stochastic Gradient Decent
خلاصه ای از شبکه های عصبی
Summary Overview of Neural Networks
شبکه های عصبی مصنوعی چگونه کار می کنند؟
How artificial neural networks work?
مزایای شبکه های عصبی
Advantages of Neural Networks
معایب شبکه های عصبی
Disadvantages of Neural Networks
کاربردهای شبکه های عصبی
Applications of Neural Networks
پیاده سازی ANN در پایتون
Implementation of ANN in Python
معرفی
Introduction
کاوش مجموعه داده
Exploring the dataset
بیان مسأله
Problem Statement
پیش پردازش داده ها
Data Pre-processing
در حال بارگیری مجموعه داده
Loading the dataset
تقسیم مجموعه داده به متغیرهای مستقل و وابسته
Splitting the dataset into independent and dependent variables
رمزگذاری برچسب با استفاده از scikit-learn
Label encoding using scikit-learn
رمزگذاری یکباره با استفاده از scikit-learn
One-hot encoding using scikit-learn
مجموعه های آموزشی و آزمایشی: تقسیم داده ها
Training and Test Sets: Splitting Data
مقیاس بندی ویژگی
Feature scaling
ساخت شبکه عصبی مصنوعی
Building the Artificial Neural Network
اضافه کردن لایه ورودی و اولین لایه پنهان
Adding the input layer and the first hidden layer
افزودن لایه پنهان بعدی
Adding the next hidden layer
اضافه کردن لایه خروجی
Adding the output layer
کامپایل شبکه عصبی مصنوعی
Compiling the artificial neural network
برازش مدل ANN به مجموعه آموزشی
Fitting the ANN model to the training set
پیش بینی نتایج مجموعه تست
Predicting the test set results
شبکه های عصبی کانولوشن (CNN)
Convolutional Neural Networks (CNN)
معرفی
Introduction
معرفی
Introduction
اجزای شبکه های عصبی کانولوشنال
Components of convolutional neural networks
لایه پیچیدگی
Convolution Layer
لایه ادغام
Pooling Layer
لایه کاملا متصل
Fully connected Layer
پیاده سازی CNN در پایتون
Implementation of CNN in Python
مجموعه داده
Dataset
واردات کتابخانه ها
Importing libraries
ساخت مدل CNN
Building the CNN model
دقت مدل
Accuracy of the model
بخش پاداش - از دست ندهید
BONUS Section - Don't Miss Out
بخش پاداش - از دست ندهید
BONUS Section - Don't Miss Out
بیایید با هم ابر جهان را کدنویسی و بسازیم! Meta Brains یک برند آموزشی حرفه ای است که توسط تیمی از توسعه دهندگان نرم افزار و متخصصان امور مالی که به امور مالی، کدنویسی و اکسل علاقه دارند، توسعه یافته است. ما تجارب حرفهای و آموزشی را برای ایجاد برنامههای آموزشی در سطح جهانی که برای همه قابل دسترسی است، گرد هم میآوریم. در حال حاضر، ما بر انقلاب بزرگ بعدی در محاسبات متمرکز هستیم: متاورس. هدف نهایی ما این است که نسل بعدی استعدادها را آموزش دهیم تا بتوانیم با هم متاورز را کدنویسی و بسازیم!
نمایش نظرات