لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش راه حل های یادگیری عمیق پایتون [ویدئو]
Python Deep Learning Solutions [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یادگیری عمیق در حال متحول کردن طیف گسترده ای از صنایع است. برای بسیاری از کاربردها، ثابت شده است که یادگیری عمیق با پیشبینیهای سریعتر و دقیقتر از انسانها پیشی میگیرد. این دوره یک رویکرد از بالا به پایین و پایین به بالا برای نشان دادن راه حل های یادگیری عمیق برای مشکلات دنیای واقعی در زمینه های مختلف ارائه می دهد. این برنامه ها عبارتند از Computer Vision، Generative Adversarial Networks و سری های زمانی. این دوره راه حل های فنی مسائل ارائه شده را همراه با توضیح دقیق راه حل ها ارائه می دهد. علاوه بر این، بحثی در مورد مزایا و معایب مربوط به اجرای راه حل پیشنهادی با استفاده از یک چارچوب محبوب مانند TensorFlow، PyTorch، و Keras ارائه می دهد. این دوره شامل راه حل هایی است که با مفاهیم اساسی شبکه های عصبی مرتبط است. تمام تکنیک ها، و همچنین توپولوژی های شبکه کلاسیک، پوشش داده شده است. هدف اصلی این دوره ویدیویی ارائه لیست دقیق راه حل ها به برنامه نویسان پایتون است تا بتوانند Deep Learning را در سناریوهای رایج و نه چندان رایج اعمال کنند.
تمامی کدها و فایل های پشتیبانی این دوره در Github در https://github.com/PacktPublishing/Python-Deep-Learning-Solutions موجود است • پیاده سازی مدل های مختلف شبکه های عصبی در پایتون
• بهترین فریم ورک پایتون را برای یادگیری عمیق مانند PyTorch، Tensorflow، MXNet و Keras انتخاب کنید.
• با به کارگیری نکات و ترفندهای مرتبط با داخلی شبکه عصبی، عملکرد یادگیری را افزایش دهید
• اصول یادگیری ماشین را یکپارچه کنید و آنها را در زمینه یادگیری عمیق به کار ببرید
• از تکه کدهای پایتون دوباره استفاده کنید و آنها را با مشکلات روزمره تطبیق دهید
• ارزیابی هزینه/مزایا و پیامدهای عملکرد هر راه حل مورد بحث این دوره ویدیویی برای متخصصان یادگیری ماشینی در نظر گرفته شده است که به دنبال استفاده از الگوریتم های یادگیری عمیق برای ایجاد برنامه های کاربردی در دنیای واقعی با استفاده از پایتون هستند. انتظار می رود درک کاملی از مفاهیم یادگیری ماشین و کتابخانه های پایتون مانند NumPy، SciPy و scikit-learn داشته باشید. علاوه بر این، دانش پایه در جبر خطی و حساب دیفرانسیل و انتگرال مطلوب است. - ویدئوی عملی در مورد آموزش مدلهای مختلف شبکههای عصبی و تنظیم دقیق آنها برای عملکرد بهینه * -استفاده از چارچوبهای پایتون مانند TensorFlow، Caffe، Keras و Theano برای پردازش زبان طبیعی، Computer Vision و موارد دیگر * - پوشش راهنمای عملی مشکلات رایج (و نه چندان رایج) در یادگیری عمیق با استفاده از پایتون *
سرفصل ها و درس ها
چارچوب های یادگیری عمیق
Deep Learning Frameworks
نمای کلی دوره
The course overview
آشنایی با TensorFlow، Keras و PyTorch Framework
Understanding TensorFlow, Keras and PyTorch Framework
یادگیری عمیق با استفاده از CNTK و چارچوب Gluon
Deep Learning Using CNTK and Gluon Framework
شبکه های عصبی فید فوروارد
Feed-Forward Neural Networks
پیاده سازی شبکه عصبی تک لایه و چند لایه
Implementing Single and Multi-Layer Neural Network
با توابع فعال سازی، لایه های پنهان و واحدهای پنهان آزمایش کنید
Experiment with Activation Functions, Hidden Layers, and Hidden Units
رمزگذار خودکار، عملکرد از دست دادن، و بهینه سازها
Autoencoder, Loss Function, and Optimizers
روش های پیشگیری بیش از حد
Overfitting Prevention Methods
شبکه های عصبی کانولوشنال و بازگشتی
Convolutional and Recurrent Neural Networks
تکنیک های بهینه سازی برای CNN ها
Optimization Techniques for CNNs
آزمایش با انواع مختلف اولیه سازی
Experimenting with Different Types of Initialization
پیاده سازی ساده RNN و LSTM
Implementing Simple RNN and LSTM
پیاده سازی GRU ها و RNN های دوطرفه
Implementing GRUs and Bidirectional RNNs
GAN ها و Computer Vision
GANs and Computer Vision
پیاده سازی شبکه های متخاصم مولد
Implementing Generative Adversarial Networks
تشخیص نقاط کلیدی صورت و انتقال سبک
Detecting Facial Key Points and Transferring Styles
یادگیری شبکه عصبی و پردازش داده
Neural Network Learning and Data Processing
انتخاب و تنظیم Hyper Parameter
Hyper Parameter Selection and Tuning
تشخیص گفتار
Speech Recognition
سری زمانی و داده های ساخت یافته
Time Series and Structured Data
شبکه های داخلی و مدل های از پیش آموزش دیده
Network Internals and Pretrained Models
تجسم و تحلیل شبکه
Visualizing and Analysing Network
انجماد و ذخیره سازی شبکه
Freezing and Storing the Network
با استفاده از مدل InceptionV3 و ResNet50
Using InceptionV3 and ResNet50 Model
استفاده از مدل VGG و تنظیم دقیق
Leveraging VGG Model and Fine Tuning
نمایش نظرات
Packtpub یک ناشر دیجیتالی کتابها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرمافزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتابها، ویدیوها و دورههای آموزشی میپردازد که به توسعهدهندگان و متخصصان فناوری اطلاعات کمک میکند تا مهارتهای خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامهنویسی، توسعه وب، دادهکاوی، امنیت سایبری و هوش مصنوعی را پوشش میدهد. محتوای این منابع به صورت کاربردی و بهروز ارائه میشود تا کاربران بتوانند دانش و تواناییهای لازم برای موفقیت در پروژههای عملی و حرفهای خود را کسب کنند.
ایندرا دن باکر یک مهندس و مربی با تجربه یادگیری عمیق است. او بنیانگذار 23insightspart راهحلهای راهاندازی راهاندازی یادگیری ماشین NVIDIA's Inception است که مهمترین صنایع جهان را متحول میکند. برای Udacity، او به دانشجویانی که به دنبال مدرک نانو در یادگیری عمیق و زمینههای مرتبط هستند، راهنمایی میکند، و همچنین مسئولیت بررسی پروژههای دانشجویی را بر عهده دارد. ایندرا پیشینه ای در هوش محاسباتی دارد و قبل از تاسیس 23insights، چندین سال به عنوان دانشمند داده برای IPG Mediabrands و Screen6 کار می کرد.
نمایش نظرات