آموزش مبانی هوش مصنوعی: شبکه های عصبی

Artificial Intelligence Foundations: Neural Networks

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

یک شبکه عصبی مصنوعی از مغز انسان به عنوان الهام برای ایجاد یک سیستم یادگیری ماشینی پیچیده استفاده می کند. آن‌ها می‌توانند میلیون‌ها صدا، ویدیو و تصویر را طبقه‌بندی کنند، به سؤالات ما پاسخ دهند، رفتارهای ما را درک کنند و حتی اتومبیل‌های ما را برانند. شبکه های عصبی همچنین پایه و اساس هوش مصنوعی مولد هستند.

این دوره به معرفی تکنیک ها و اصول اساسی شبکه های عصبی، مدل های رایج و کاربردهای آنها می پردازد. مربی Gwendolyn Stripling شما را از طریق معماری های مختلف شبکه عصبی، اجزای آنها، موارد استفاده مناسب و بهترین شیوه ها برای بهبود عملکرد مدل شبکه عصبی راهنمایی می کند. به علاوه، با استفاده از Keras Sequential API، یک کتابخانه منبع باز که طراحی و آموزش شبکه های عصبی را ابهام می کند، تجربه عملی در ساخت و آموزش یک شبکه عصبی به دست آورید. اگر به دنبال دستیابی به درک کاملی از نحوه ساخت، آموزش، بهبود و استفاده از شبکه های عصبی هستید، در این دوره آموزشی به Gwendolyn بپیوندید.

سرفصل ها و درس ها

معرفی Introduction

  • شبکه های عصبی 101: مسیر شما به سمت درخشش هوش مصنوعی Neural networks 101: Your path to AI brilliance

  • نحوه استفاده از فایل های تمرین چالش How to use the challenge exercise files

  • آنچه شما باید بدانید What you should know

1. شبکه های عصبی چیست؟ 1. What Are Neural Networks?

  • پرسپترون تک لایه Single-layer perceptron

  • شبکه های عصبی مصنوعی Artificial neural networks

  • شبکه های عصبی بیولوژیکی Biological neural networks

  • یادگیری ماشین و شبکه های عصبی Machine learning and neural networks

2. اجزای کلیدی در معماری شبکه های عصبی 2. Key Components in Neural Network Architecture

  • لایه ها: ورودی، مخفی و خروجی Layers: Input, hidden, and output

  • توابع انتقال و فعال سازی Transfer and activation functions

  • پرسپترون چند لایه Multilayer perceptron

  • نحوه یادگیری شبکه های عصبی How neural networks learn

3. انواع دیگر شبکه های عصبی 3. Other Types of Neural Networks

  • شبکه های عصبی کانولوشن (CNN) Convolutional neural networks (CNN)

  • معماری ترانسفورماتور Transformer architecture

  • شبکه های عصبی مکرر (RNN) Recurrent neural networks (RNN)

4. با استفاده از Keras یک شبکه عصبی ساده بسازید 4. Build a Simple Neural Network Using Keras

  • پیش پردازش داده ها Data preprocessing

  • بررسی داده ها و آماده سازی داده ها Data checks and data preparation

  • راه حل: یک شبکه عصبی بسازید Solution: Build a neural network

  • از موارد استفاده کنید و معیار ارزیابی را تعیین کنید Use case and determine evaluation metric

  • شبکه عصبی را با استفاده از Keras آموزش دهید Train the neural network using Keras

  • مدل Keras Sequential The Keras Sequential model

  • چالش: ایجاد یک شبکه عصبی Challenge: Build a neural network

5. بهترین روش ها برای بهینه سازی یک شبکه عصبی 5. Best Practices for Optimizing a Neural Network

  • چالش: تنظیم دستی هایپرپارامترها Challenge: Manually tune hyperparameters

  • راه حل: تنظیم دستی هایپرپارامترها Solution: Manually tune hyperparameters

  • فراپارامترها و شبکه های عصبی Hyperparameters and neural networks

  • نصب بیش از حد و عدم اتصال: دو مشکل رایج ANN Overfitting and underfitting: Two common ANN problems

  • تکنیک‌های منظم‌سازی برای بهبود مدل‌های بیش‌برازش Regularization techniques to improve overfitting models

  • چگونه عملکرد مدل را بهبود می دهید؟ How do you improve model performance?

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

آموزش مبانی هوش مصنوعی: شبکه های عصبی
جزییات دوره
1h 45m
28
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
11,537
- 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

Gwendolyn Stripling Gwendolyn Stripling

Gwendolyn Stripling، دکترا، یک توسعه دهنده محتوای یادگیری ماشین و هوش مصنوعی در گوگل است.

Gwendolyn یک توسعه دهنده محتوای هوش مصنوعی و یادگیری ماشین در Google Cloud است. او نویسنده ویدیوی موفق YouTube Google، "مقدمه ای بر هوش مصنوعی مولد" و کتاب رسانه O'Reilly هوش مصنوعی کم کد: یک رویکرد عملی پروژه محور برای یادگیری ماشین است. گوندولین استاد کمکی و عضو هیئت مشاوره کارشناسی ارشد در تحلیل کسب و کار دانشگاه گلدن گیت است. او از سخنرانی در AI/ML لذت می‌برد و در دانشکده تحلیل تجاری باروسکی دانشگاه دومینیکن کالیفرنیا، دانشکده تحلیل تجاری Ageno دانشگاه گلدن گیت و کنفرانس‌های فناوری متعددی ارائه کرده است.