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

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