آموزش Bootcamp یادگیری عمیق با 4 پروژه Capstone

Deep Learning Bootcamp with 4 Capstone Projects

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: درباره یادگیری عمیق - ANN ، CNN ، RNN ، LSTM همراه با پروژه های زمان واقعی اطلاعات کسب کنید

آنچه خواهید آموخت

  • یادگیری عمیق
  • شبکه عصبی مصنوعی
  • شبکه عصبی کانولوشن
  • شبکه عصبی راجعه

آیا آماده تسلط بر مهارت های یادگیری عمیق هستید؟

عمیق یادگیری فناوری است که با استفاده از آن می توانیم مشکلات بسیار محاسباتی مانند پردازش تصویر ، طبقه بندی تصویر ، تقسیم تصویر ، برچسب گذاری تصویر ، طبقه بندی صدا ، تجزیه و تحلیل ویدئو و غیره را حل کنیم.

یادگیری عمیق این روزها در حال تبدیل شدن به یک کلید واژه است و اگر می خواهید یادگیری عمیق را یاد بگیرید ، برای شما بسیار مهم است که باید در این زمینه برنامه ریزی مناسبی داشته باشید.

قبل از یادگیری عمیق یادگیری ، شما باید ماشین یادگیری را یاد گرفته باشید و باید دانش کافی در مورد زبان برنامه نویسی پایتون داشته باشید.


اگر می خواهید برنامه های بسیار قدرتمندی را در Deep Learning ایجاد کنید.

بنابراین ، شما در جای مناسب هستید.


این دوره دانش عمیق در مورد یک موضوع بسیار داغ یعنی یادگیری عمیق را برای شما فراهم می کند.

هدف این دوره این است که دانش شما را در مورد جنبه های اصلی یادگیری عمیق بدون هیچ گونه ریاضیات ترسناک و به روشی عملی ، آسان و سرگرم کننده ارائه دهد. این دوره با استفاده از مجموعه داده های دنیای واقعی ، تجربه عملی عملی را برای دانشجویان فراهم می کند.


این دوره مباحث زیر را پوشش خواهد داد: -

1 یادگیری عمیق (DL).

2. شبکه عصبی مصنوعی (ANN).

3 شبکه عصبی کانولوشن (CNN).

4 شبکه عصبی راجعه (RCN)


این دوره اصول را در هر چهار مبحث ذکر شده به یک سطح پیشرفته می رساند.

بعد از گذراندن این دوره ، شما به اندازه کافی اعتماد به نفس خواهید داشت تا بتوانید به طور مستقل روی هر پروژه ای در مورد این موضوعات کار کنید.

تمرینات زیادی در این دوره آموزش عمیق و همچنین یک پروژه یادگیری عمیق 5 پاداش "پیش بینی بازار سهام" ، "سیستم شناسایی میوه ها" ، "تشخیص بیان چهره" ، "تشخیص ذات الریه از قفسه سینه" برای شما وجود دارد. اشعه ایکس "و" بهینه سازی تولید محصول ".


در این تولید محصول بهینه سازی، شما در مورد دقت کشاورزی با استفاده از فن آوری های علمی داده ای مانند تجزیه و تحلیل خوشه ای و تجزیه و تحلیل طبقه بندی یاد خواهید گرفت. شما قادر خواهید بود بهترین محصولات را به کشاورزان توصیه کنید تا بهره وری خود را افزایش دهید.

در این پروژه تشخیص ذات الریه از اشعه X ، شما می آموزید که چگونه با استفاده از شبکه های عصبی عمیق مانند ResNet که یک معماری سطح بالای CNN است ، وظایف طبقه بندی تصویر را حل کنید.

در این پروژه پیش بینی بازار سهام ، شما می توانید تجزیه و تحلیل و قیمت بازار سهام را با استفاده از پیش بینی سری زمانی ، مدل های پیشرفته یادگیری عمیق و ویژگی های مختلف آماری یاد بگیرید.

در این پروژه تشخیص میوه ها ، شما می آموزید که چگونه یک کار پیچیده طبقه بندی تصویر را با چندین کلاس با استفاده از معماری های مختلف یادگیری عمیق حل کرده و نتیجه را مقایسه کنید.

در این پروژه تشخیص بیان بیان ، شما یاد خواهید گرفت که از تکنیک های Computer Vision برای تشخیص احساسات انسانی مانند عصبانی ، غمگین ، شاد ، انزجار ، ترس و غیره برای ساخت یک آشکارساز احساسات صورت استفاده می کنید.


شما به تمام منابع استفاده شده در این دوره دسترسی خواهید داشت.

این دوره برای چه کسانی است:

  • این دوره برای همه کسانی است که می خواهند به مهارت های عمیق یادگیری تسلط پیدا کنند.
  • این دوره برای دانشجویانی است که قبلاً دانش خوبی در زمینه یادگیری ماشین دارند و مهارت برنامه نویسی خوبی دارند.

سرفصل ها و درس ها

مقدمه ای بر شبکه عصبی Introduction To Neural Network

  • راهی به یادگیری عمیق Path to Deep Learning

  • آشنایی با شبکه های عصبی Introduction to Neural Networks

  • مقدمه ای بر توابع فعال سازی Introduction to Activation functions

  • توابع فعال سازی Sigmoid و Tanh Sigmoid and Tanh Activation Functions

  • توابع فعال سازی Relu و Leaky Relu Relu, and Leaky Relu, Activation Functions

  • چه زمانی از Sigmoid و Softmax استفاده کنید When to use Sigmoid and Softmax

  • مقدمه ای برای نزول گرادیان Introduction to Gradient Descent

  • دسته ای در برابر نزولی گرادیان تصادفی Batch vs Stochastic Gradient Descent

  • مقدمه ای بر بهینه سازها Introduction to Optimizers

  • ترک تحصیل و چرا به آن نیاز داریم Dropout and why do we need it

  • تنظیم پارامتر هایپر در شبکه های عصبی Hyper parameter Tuning in Neural Networks

  • مقدمه ای بر عادی سازی دسته ای Introduction to Batch Normalization

  • مقدمه ای بر Tensorflow 2.0 قسمت 1 Introduction to Tensorflow 2.0 Part 1

  • مقدمه ای بر Tensorflow 2.0 قسمت 2 Introduction to Tensorflow 2.0 Part 2

  • پیاده سازی یک شبکه عصبی اساسی Implementing a basic neural network

  • بهبود یک شبکه عصبی Improving a Neural network

  • مسابقه در مورد معرفی شبکه عصبی Quiz on Introduction To Neural Network

Convolution Neural Network Convolution Neural Network

  • مقدمه ای بر شبکه عصبی Convolution Introduction to Convolution Neural Network

  • عملیات همگرایی در CNN Convolution Operation in CNN

  • بالشتک و استخر Padding and Pooling

  • افزایش داده ها Data Augmentation

  • درک CNN پایان به پایان Understanding CNN end to end

  • پیاده سازی پردازش داده ها بر روی داده های تصویر Implementing Data Processing on Image Data

  • اجرای CNN با استفاده از Tensorflow Implementing CNN using Tensorflow

  • مقدمه ای بر معماری CNN Introduction to CNN Architectures

  • مقدمه ای بر آموزش انتقال Introduction to Transfer Learning

  • پیاده سازی ResNet و Inception Network Implementing ResNet and Inception Network

  • ارتباط صنعت Industry relevance

  • مسابقه در شبکه عصبی Convolution Quiz on Convolution Neural Network

شبکه عصبی راجعه Recurrent Neural Network

  • مقدمه ای بر RNN Introduction to RNN

  • پیاده سازی RNN با استفاده از Tensorflow Implementing RNN using Tensorflow

  • از بین رفتن و انفجار شیب ها Vanishing and Exploding Gradients

  • مقدمه ای بر LSTM ها Introduction to LSTMs

  • پیاده سازی GRU و LSTM با استفاده از Tensorflow Implementing GRU and LSTM using Tensorflow

  • مقدمه ای بر شبکه های دو طرفه Introduction to Bidirectional Networks

  • پیاده سازی BiGRU و BiLSTM Implementing BiGRU and BiLSTM

  • ارتباط صنعت RNN ها Industry relevance of RNNs

تشخیص ذات الریه از اشعه ایکس قفسه سینه Detecting Pneumonia from Chest X-rays

  • درک مجموعه داده Understanding the Dataset

  • درک بیان مسئله Understanding the Problem Statement

  • تنظیم محیط Setting up environment

  • دریافت و تجزیه مجموعه داده Getting and Parsing Dataset

  • بارگیری و انتقال داده های تصویر Loading and Transforming Image Data

  • ایجاد یک شیaset مجموعه داده Tensorflow Creating a Tensorflow Dataset Object

  • معرفی ResNet Introduction to ResNet

  • ساخت یک مدل Tensorflow Building a Tensorflow Model

  • درک ایستگاه های بازرسی مدل Understanding Model Checkpoints

  • آموزش مدل Training the Model

  • تفسیر نتایج Interpreting the Results

  • ذخیره مدل آموزش دیده Saving the Trained Model

  • ارزیابی مدل بر روی داده های آزمون Evaluating the Model on Test Data

  • چیزهای بیشتری برای امتحان کردن More things to try

  • خلاصه Summary

  • مسابقه برای تشخیص ذات الریه از اشعه ایکس قفسه سینه Quiz on Detecting Pneumonia from Chest X-rays

سیستم شناسایی میوه ها Fruits Identification System

  • درک بیان مسئله Understanding the Problem Statement

  • تنظیم محیط زیست Setting up the Environment

  • پردازش داده های تصویر Processing the Image Data

  • اعمال افزودن داده ها Applying Data Augmentation

  • مدل های مختلف را امتحان کنید Trying Different Models

  • ارزیابی مدل بر روی داده های آزمون Evaluating Model on the Test Data

  • پیش بینی زمان واقعی با استفاده از مدل های CNN Real Time Prediction using CNN Models

  • خلاصه Summary

  • مسابقه در سیستم شناسایی میوه ها Quiz on Fruits Identification System

پیش بینی بازار سهام Stock Market Prediction

  • درک بازار سهام Understanding the Stock Market

  • درک بیانیه مشکل Understanding the problem Statement

  • تنظیم محیط زیست Setting up the Environment

  • واکشی داده های بازار سهام Fetching the Stock Market Data

  • درک داده های بازار سهام Understanding the Stock Market Data

  • شناخت روندهای موجود در داده ها Understanding the Trends within the Data

  • پردازش داده های بازار سهام Processing the stock Market Data

  • پیش بینی با LSTM ها Forecasting with LSTMs

  • تجسم پیش بینی ها Visualizing predictions

  • خرابی ویژگی های اضافی برای مدل سازی Scraping Extra Features for Modelling

  • آموزش مجدد LSTM ها Re-Training the LSTMs

  • پیشرفت های احتمالی Possible Improvements

  • مسابقه در مورد پیش بینی بازار سهام Quiz on Stock Market Prediction

تشخیص بیان چهره Face Expression Recognizer

  • درک بیان مسئله Understanding the Problem Statement

  • درک مجموعه داده Understanding the Dataset

  • درک مجموعه داده Understanding the Dataset

  • تنظیم محیط زیست Setting up the Environment

  • جمع آوری داده های تصویر Parsing Image Dataset

  • بارگیری و افزودن داده های تصویر Loading and Augmenting Image Data

  • آموزش مدل Training the Model

  • ارزیابی مدل و صرفه جویی در اشیا Evaluating Model and Saving Objects

  • تنظیم محیط محلی Setting up local environment

  • استفاده از پیش بینی زمان واقعی Tensorflow و OpenCV (قسمت - 1) Using Tensorflow and OpenCV realtime prediction (Part - 1)

  • استفاده از پیش بینی زمان واقعی Tensorflow و OpenCV (بخش - 2) Using Tensorflow and OpenCV realtime prediction (Part - 2)

  • خلاصه ی پروژه Project Summary

  • مسابقه در تشخیص بیان چهره Quiz on Face Expression Recognizer

بخش Outro Outro Section

  • نتیجه Conclusion

  • چگونه می توان گواهی پایان کار خود را دریافت کرد How to Get Your Certificate of Completion

بخش پاداش Bonus Section

  • سخنرانی جایزه Bonus Lecture

نمایش نظرات

آموزش Bootcamp یادگیری عمیق با 4 پروژه Capstone
جزییات دوره
6h 2m
91
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
12,739
5 از 5
ندارد
ندارد
ندارد
Data is Good
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Data is Good Data is Good

یک تیم بزرگ ، گوگل ، فیس بوک ، کاگل ، ما یک شرکت آموزش فناوری "indie" هستیم. این چشم انداز ما این است که با تبدیل آموزش ، توانایی بالقوه انسانی را باز کنیم و آن را برای همه قابل دسترسی و مقرون به صرفه کنیم. ما به شدت مستقل و مفتخریم که تنها تمرکز خود را برای ایجاد آموزش فناوری در سطح جهانی برای هر کسی در این کره خاکی می دانیم. داده ها خوب است که ماموریت دارند دوره هایی ایجاد کنند که دانش آموزان ما را نه تنها موضوع یاد بگیرند ، بلکه عاشق آن شوند و یادگیرندگان پرشور و مادام العمر آن موضوع شوند.