ساخت شبکه عصبی از صفر: آموزش گام به گام و کاربردی - آخرین آپدیت

دانلود Building a Neural Network from Zero

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

آموزش ساخت شبکه‌های عصبی از صفر: گام به گام با پایتون

در این آموزش جامع، با ساخت شبکه‌های عصبی از پایه، دانش خود را در این زمینه ارتقا دهید. از پیاده‌سازی گام‌های رفت و برگشت (Forward/Backward Pass) تا بهینه‌سازی با SGD و چالش Fashion-MNIST، همه چیز را خودتان خواهید ساخت.

آنچه در این دوره خواهید آموخت:

  • پیاده‌سازی شبکه‌های عصبی از صفر، شامل انتشار رو به جلو و انتشار رو به عقب
  • تسلط بر روش‌های بهینه‌سازی مانند گرادیان کاهشی و SGD با مومنتوم
  • ساخت لایه‌های سفارشی، توابع فعال‌سازی و توابع زیان بدون استفاده از کتابخانه‌های خارجی
  • به کارگیری شبکه‌های عصبی سفارشی برای حل چالش دسته‌بندی Fashion-MNIST

پیش‌نیازها:

  • دانش پایه در مورد برنامه‌نویسی پایتون
  • آشنایی با مفاهیم جبر خطی مانند بردارها و ماتریس‌ها
  • علاقه به درک عمیق شبکه‌های عصبی

آیا برای ارتقای دانش خود در زمینه شبکه‌های عصبی آماده‌اید؟ در "ساخت یک شبکه عصبی از صفر"، با پیاده‌سازی همه چیز از ابتدا، به اعماق عملکرد داخلی شبکه‌های عصبی خواهید پرداخت. این دوره برای کسانی که می‌خواهند فراتر از استفاده از کتابخانه‌ها بروند و واقعاً درک کنند که هر مؤلفه چگونه کار می‌کند، عالی است.

در این دوره عملی، ما به صورت دستی یک چارچوب مانند PyTorch را برای ساخت، آموزش و ارزیابی شبکه‌های عصبی ایجاد خواهیم کرد. از مبانی تمایز عددی و گرادیان کاهشی شروع می‌کنید و به تدریج یک حلقه آموزشی کامل را توسعه خواهید داد. دانش عمیقی در مورد مفاهیم اساسی کسب خواهید کرد، از جمله:

  • تمایز عددی و سه روش برای محاسبه گرادیان‌ها
  • گرادیان کاهشی در فضاهای دو بعدی و چند بعدی
  • گرادیان کاهشی تصادفی (SGD) با مومنتوم
  • پیاده‌سازی تابع زیان آنتروپی متقاطع و توابع فعال‌سازی مانند سیگموئید
  • مقداردهی اولیه وزن‌های شبکه عصبی با استفاده از روش‌های He و Xavier
  • ساخت یک شبکه عصبی پیش‌خور (FFNN) کاملاً کاربردی از صفر

در پایان دوره، درک جامعی از نحوه یادگیری شبکه‌های عصبی خواهید داشت. برای تثبیت دانش خود، با چالش Fashion-MNIST مقابله خواهیم کرد، جایی که شبکه عصبی سفارشی خود را برای طبقه‌بندی دقیق تصاویر به کار خواهید برد.

چه یک مهندس مشتاق یادگیری ماشین باشید و چه یک برنامه نویس کنجکاو، این دوره شما را با دانش اساسی و تجربه عملی برای ساخت و سفارشی کردن شبکه‌های عصبی از پایه مجهز می‌کند.

همین امروز ثبت نام کنید و تسلط بر شبکه‌های عصبی را با ساخت آن‌ها از صفر آغاز کنید!

کلیدواژه‌ها:

شبکه عصبی، یادگیری عمیق، پایتون، Fashion-MNIST، گرادیان کاهشی، SGD، آموزش شبکه عصبی، ساخت شبکه عصبی از صفر


سرفصل ها و درس ها

مبانی Foundation

  • مقدمه Introduction

  • مشتق گیری عددی Numerical Differentiation

  • مشتق گیری عددی: 3 روش Numerical Differentiation: 3 ways

  • درک مشتق گیری عددی Understanding Numerical Differentiation

  • گرادیان کاهشی: 2 بعدی Gradient Descend: 2d

  • گرادیان کاهشی: چند بعدی Gradient Descend: Multi-Dimensions

  • SGD: ممنتوم SGD: Momentum

  • گرادیان کاهشی و بهینه سازی Gradient Descent and Optimization

  • آنتروپی متقابل Cross-Entropy

  • سیگموئید: تبدیل لاجیت ها به احتمال Sigmoid: Convert Logits to Probability

  • مقداردهی اولیه وزن: He / Xavier Weights Init: He / Xavier

  • Loss، احتمالات و مقداردهی اولیه وزن Loss, Probs and Weights Init

شبکه عصبی Neural Network

  • لایه خطی قسمت 1 Linear Layer Part 1

  • لایه خطی قسمت 2 Linear Layer Part 2

  • شبکه یادگیری عمیق: پیشخور (Feed Forward) Deep Learning Network: Feed Forward

  • بهینه ساز: SGD Optimizer: SGD

  • چالش: شکستن Fashion-MNIST Challenge: Crack the Fashion-MNIST

نمایش نظرات

ساخت شبکه عصبی از صفر: آموزش گام به گام و کاربردی
جزییات دوره
4 hours
14
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
5,290
4.8 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

Nick Ovchinnikov Nick Ovchinnikov

مهندس ارشد نرم افزار پرشور. توسعه برنامه وب Frontend مهارت اصلی من است.

امروزه من با Math و DS کار می کنم، اما Frontend هنوز برای من جالب است


* مهارت نرم قوی و رهبری
* معماری و چشم انداز بالا
* روش چابک و چرخه حیات برنامه
* دانش قوی معماری در برنامه های کاربردی مبتنی بر وب
* اولیه زبان‌ها JS، Typescript
* React، Redux، Redux-Saga
* DBMS - Mongo، MySQL