آموزش عمیق برای توسعه دهندگان پایتون [ویدئو]

Deep Learning for Python Developers [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری عمیق یک ابرقدرت جدید است که به شما امکان می دهد سیستم های هوش مصنوعی بسازید که چند سال پیش امکان پذیر نبودند. زمان آن رسیده است که از اتوماسیون هوشمند برای کمک به رشد کسب و کار خود، سازماندهی و ماندن در صدر رقبا استفاده کنید. این دوره برای توسعه‌دهندگان پایتون است که با یادگیری ماشین یا علم داده کار نکرده‌اند و می‌خواهند فوراً سیستم‌های هوشمند بسازند - بدون گرفتن مدرک ریاضی! شما در مورد شبکه های عصبی مکرر، Backprop، SGD و موارد دیگر خواهید آموخت. شما روی نمونه کدهایی کار خواهید کرد که به صورت روزانه در زندگی یک توسعه دهنده استفاده می شود. شما نه تنها به تئوری تسلط خواهید داشت، بلکه خواهید دید که چگونه آن را در صنعت به طور کلی به کار ببرید. همه این ایده ها را در MxNet، TensorFlow، Keras و Gluon تمرین خواهید کرد. آخرین اما نه کم‌اهمیت، ساخت شبکه‌های عصبی کانولوشن و اعمال آن‌ها بر روی داده‌های تصویر. Deep Learning در حال حاضر برنامه های هیجان انگیز متعددی را در تشخیص گفتار، سنتز موسیقی، ترجمه ماشینی، درک زبان طبیعی و بسیاری موارد دیگر فعال می کند. هوش مصنوعی چندین صنعت را متحول می کند. پس از اتمام این دوره، احتمالاً راه های خلاقانه ای برای اعمال آن در کار خود پیدا خواهید کرد. ما به شما کمک خواهیم کرد تا در یادگیری عمیق تسلط پیدا کنید، نحوه به کارگیری آن را بدانید و در هوش مصنوعی شغلی ایجاد کنید. همه کدها و فایل های پشتیبانی این دوره در GitHub در دسترس هستند https://github.com/PacktPublishing/Deep-Learning-for-Python-Developers •نرم افزاری بنویسید که دستخط را می خواند، تصاویر را بر اساس آنچه در آنها است طبقه بندی می کند و پیام ها را به زبان اشاره رمزگشایی می کند - حتی اگر قبلاً هرگز یادگیری ماشینی انجام نداده باشید. • مدل‌های یادگیری عمیق بسازید که با سرعت بسیار بیشتری کار می‌کنند، هرگز نمی‌خوابند، و وظایف شما را سریع و کارآمد انجام می‌دهند. • ایجاد قدردانی از مدل های یادگیری عمیق که در مقیاس بزرگ و تنظیمات توزیع شده در رایانش ابری استفاده می شوند. • مدل‌های دنباله خود را برای مشکلات زبان طبیعی مانند ترکیب متن و برنامه‌های صوتی، تشخیص گفتار و سنتز موسیقی اعمال کنید. • ساخت شبکه های عصبی کانولوشنال، از جمله تغییرات اخیر مانند شبکه های باقیمانده • نقاط قوت و ضعف چارچوب های مختلف را بشناسید و اینکه چه زمانی بهتر است آنها را اعمال کنید • از اتوماسیون هوشمند برای جلوگیری از خطاها و صرفه جویی در زمان صرف شده برای رفع آنها استفاده کنید. اگر توسعه‌دهنده پایتون هستید و هر نوع برنامه/اسکریپت پایتون را می‌نویسید، این دوره به شما کمک می‌کند تا در کمترین زمان با یادگیری عمیق در پایتون کار کنید. •با Deep Learning راه‌اندازی کنید و مدل‌های پیچیده را لایه به لایه با افزایش پیچیدگی بسازید * • هنر استفاده از مدل‌های یادگیری عمیق خود را برای تشخیص تصویر، مشکلات پردازش زبان طبیعی و برنامه‌های صوتی بررسی کنید. کتابخانه‌های سطحی مانند Keras و Gluon و درک چرخه زندگی کامل: تعریف، آموزش، آزمایش و استقرار مدل‌های یادگیری عمیق شما. *

سرفصل ها و درس ها

شروع با یادگیری عمیق Getting Started with Deep Learning

  • بررسی اجمالی دوره The Course Overview

  • مبانی شبکه های عصبی Fundamentals of Neural Networks

  • آموزش شبکه های عصبی عمیق Training Deep Neural Networks

  • با استفاده از Forward Propagation، Backprop و SGD Using Forward Propagation, Backprop, and SGD

  • رگرسیون لجستیک با ذهنیت شبکه عصبی Logistic Regression with a Neural Network Mindset

  • تشخیص دست خط شبکه عصبی کانولوشن Convolutional Neural Network Handwriting Recognition

مدل های عمیق با MxNet و TensorFlow Deep Models with MxNet and TensorFlow

  • کار با MxNet و Gluon Working with MxNet and Gluon

  • تعریف و آموزش شبکه های عصبی در MxNet/Gluon Defining and Training Neural Networks in MxNet/Gluon

  • کار با TensorFlow و Keras Working with TensorFlow and Keras

  • تعریف و آموزش شبکه های عصبی در Keras/TensorFlow Defining and Training Neural Networks in Keras/TensorFlow

  • مقایسه دو چارچوب Comparing the Two Frameworks

  • مینی پروژه - طبقه بندی سیفار Mini Project - CIFAR Classification

بهبود شبکه های عصبی عمیق Improving Deep Neural Networks

  • وزن اولیه برای شبکه های عمیق Weight Initialization for Deep Networks

  • منظم سازی و ترک تحصیل Regularization and Dropout

  • عادی سازی و ناپدید شدن/انفجار گرادیان ها Normalizing and Vanishing/Exploding Gradients

  • پروژه کوچک - مجموعه داده SIGNS Mini Project – SIGNS Dataset

الگوریتم های بهینه سازی Optimization Algorithms

  • درک نزول گرادیان تصادفی Understanding Stochastic Gradient Descent

  • الگوریتم های یادگیری تطبیقی ​​- RMSProp و Adam Adaptive Learning Algorithms - RMSProp and Adam

  • مینی پروژه - مدل سازی زبان Mini Project - Language Modeling

تنظیم فراپارامتر Hyperparameter Tuning

  • فراپارامترها Hyperparameters

  • تنظیم فراپارامترها - جستجوی شبکه Tuning Hyperparameters - Grid Search

  • تنظیم فراپارامترها - جستجوی تصادفی Tuning Hyperparameters - Random Search

  • مینی پروژه - سنتز موسیقی Mini Project -Music Synthesis

نمایش نظرات

آموزش عمیق برای توسعه دهندگان پایتون [ویدئو]
جزییات دوره
2 h 11 m
23
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

Will Ballard Will Ballard

ویل بالارد، مدیر ارشد فناوری GLG، مسئول مهندسی و فناوری اطلاعات است. او همچنین مسئول طراحی و بهره برداری از مراکز داده بزرگ بود که به اجرای خدمات سایت برای مشتریان از جمله Gannett، Hearst Magazines، NFL، NPR، The Washington Post و Whole Foods کمک می کرد. او همچنین نقش های رهبری در توسعه نرم افزار در NetSolve (در حال حاضر Cisco)، NetSpend، و Works (در حال حاضر Bank of America) داشته است. https://www.linkedin.com/in/will-ballard-b09115/

Will Ballard Will Ballard

ویل بالارد، مدیر ارشد فناوری GLG، مسئول مهندسی و فناوری اطلاعات است. او همچنین مسئول طراحی و بهره برداری از مراکز داده بزرگ بود که به اجرای خدمات سایت برای مشتریان از جمله Gannett، Hearst Magazines، NFL، NPR، The Washington Post و Whole Foods کمک می کرد. او همچنین نقش های رهبری در توسعه نرم افزار در NetSolve (در حال حاضر Cisco)، NetSpend، و Works (در حال حاضر Bank of America) داشته است. https://www.linkedin.com/in/will-ballard-b09115/