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

  • تکنیک های بینایی کامپیوتر Computer Vision Techniques

  • 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.

آموزش راه حل های یادگیری عمیق پایتون [ویدئو]
جزییات دوره
1 h 45 m
21
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Indra den Bakker Indra den Bakker

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.