آموزش پایتون برای یادگیری عمیق: ساخت شبکه های عصبی در پایتون

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، تنسورفلو، هوش مصنوعی و شبکه های عصبی

آنچه یاد خواهید گرفت

  • 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 مسائل دنیای واقعی با استفاده از یادگیری عمیق و هوش مصنوعی را بیاموزید
  • با استفاده از رگرسیون خطی، رگرسیون چند جمله ای و رگرسیون چند متغیره پیش بینی کنید
  • با Tensorflow و Keras شبکه های عصبی مصنوعی بسازید

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 می‌گیرید فیلتر نکنید، در خطر یادگیری درس‌های 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 کمک می کند تا دوره آموزشی بسیار مختصر باشد، همه چیزهایی است که برای شروع با موضوع نیاز دارید.

این دوره برای چه کسانی است:

  • برنامه نویسانی که به دنبال افزودن یادگیری عمیق به مجموعه مهارت های خود هستند
  • ریاضیدانان حرفه ای مایل به یادگیری نحوه تجزیه و تحلیل داده ها به صورت برنامه ای هستند
  • هر علاقه مند به برنامه نویسی پایتون که مایل است مهارت یادگیری عمیق را به مجموعه خود اضافه کند

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

نمایش نظرات

Udemy (یودمی)

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.

آموزش پایتون برای یادگیری عمیق: ساخت شبکه های عصبی در پایتون
جزییات دوره
2h 4m
59
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
-
4.3 از 5
ندارد
ندارد
ندارد
Meta Brains
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Meta Brains Meta Brains

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!