آموزش یادگیری عمیق - شبکه عصبی عمیق برای مبتدیان با استفاده از پایتون [ویدئو]

Deep Learning - Deep Neural Network for Beginners Using Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: آیا آماده اید تا مسیر خود را برای تبدیل شدن به یک متخصص یادگیری عمیق آغاز کنید؟ پس این دوره برای شما مناسب است. این دوره به صورت گام به گام می باشد. در هر آموزش جدید، ما بر اساس آنچه قبلاً آموخته ایم استوار می شویم و یک قدم بیشتر به جلو می رویم و سپس یک کار کوچک را به شما محول می کنیم که در ابتدای ویدیوی بعدی حل می شود. ما با آموزش بخش نظری مفهوم شروع می کنیم و سپس همه چیز را همانطور که عملاً از پایتون استفاده می کند پیاده سازی می کنیم. این دوره جامع راهنمای شما برای یادگیری نحوه استفاده از قدرت پایتون برای آموزش ماشین شما خواهد بود تا ماشین شما مانند انسان شروع به یادگیری کند و بر اساس آن یادگیری، ماشین شما نیز شروع به پیش بینی کند! ما در این دوره از پایتون به عنوان زبان برنامه نویسی استفاده خواهیم کرد که اگر صحبت از یادگیری ماشینی شود، داغ ترین زبان این روزها است. پایتون از سطح ابتدایی تا سطح پیشرفته آموزش داده می شود تا هر مفهوم یادگیری ماشینی را بتوان پیاده سازی کرد. همچنین مراحل مختلف پیش پردازش داده را یاد خواهید گرفت که به ما امکان می دهد داده ها را برای الگوریتم های یادگیری ماشین آماده کنیم. شما به طور کلی مفاهیم کلی یادگیری ماشین را یاد خواهید گرفت که با پیاده سازی یکی از الگوریتم های ضروری ML، "شبکه های عصبی عمیق" دنبال می شود. هر مفهوم DNN به صورت تئوری آموزش داده می شود و با استفاده از پایتون پیاده سازی می شود. در پایان این دوره، شما قادر خواهید بود روش DNN ها را با یادگیری عمیق با استفاده از مجموعه داده های دنیای واقعی درک کنید. تمام منابع این دوره در دسترس است: https://github.com/PacktPublishing/Deep-Learning---Deep-Neural-Network-for-Beginners-Using-Python آموزش اصول یادگیری ماشین و شبکه های عصبی آشنایی با معماری شبکه های عصبی با استفاده از الگوریتم Gradient Descent اصول آموزش DNN را بیاموزید نحوه پیاده سازی یک DNN کامل با استفاده از NumPy را بیاموزید آموزش ایجاد یک ساختار کامل برای DNN از ابتدا با استفاده از پایتون کار بر روی پروژه ای با استفاده از یادگیری عمیق برای مجموعه داده IRIS این دوره برای هرکسی که به علم داده علاقه مند است یا علاقه مند به ارتقای داده های خود به سطح بالاتری است طراحی شده است. دانش‌آموزانی که می‌خواهند بر DNN با مجموعه داده‌های واقعی در یادگیری عمیق تسلط پیدا کنند یا می‌خواهند DNN را در پروژه‌های واقع‌گرایانه پیاده‌سازی کنند، می‌توانند از این دوره بهره ببرند. برای به دست آوردن بهترین نتیجه از این دوره، باید پیش زمینه ای در یادگیری عمیق داشته باشید. پیچیده‌ترین و اخیراً کشف‌شده‌ترین مدل‌های DNN توسط دانشمندان برجسته داده را پوشش می‌دهد * مفاهیم نظری و مدل‌سازی دنباله‌ای را با DNN‌ها مرتبط می‌کند.

سرفصل ها و درس ها

معرفی Introduction

  • تبلیغ دوره Course Promo

  • معرفی مربی Introduction to Instructor

  • مقدمه دوره Introduction to Course

مبانی یادگیری عمیق Basics of Deep Learning

  • مسئله برای حل قسمت 1 Problem to Solve Part 1

  • مسئله برای حل قسمت 2 Problem to Solve Part 2

  • مسئله برای حل قسمت 3 Problem to Solve Part 3

  • معادله خطی Linear Equation

  • معادله خطی بردار Linear Equation Vectorized

  • فضای سه بعدی ویژگی 3D Feature Space

  • فضای N بعدی N-Dimensional Space

  • نظریه پرسپترون Theory of Perceptron

  • پیاده سازی پرسپترون پایه Implementing Basic Perceptron

  • دروازه های منطقی برای پرسپترون ها Logical Gates for Perceptrons

  • آموزش پرسپترون قسمت 1 Perceptron Training Part 1

  • آموزش پرسپترون قسمت 2 Perceptron Training Part 2

  • میزان یادگیری Learning Rate

  • آموزش پرسپترون قسمت 3 Perceptron Training Part 3

  • الگوریتم پرسپترون Perceptron Algorithm

  • کدگذاری الگوی پرسپترون (خواندن و تجسم داده ها) Coding Perceptron Algo (Data Reading and Visualization)

  • کدگذاری الگوی پرسپترون (مرحله پرسپترون) Coding Perceptron Algo (Perceptron Step)

  • کدگذاری الگوی پرسپترون (پرسپترون آموزشی) Coding Perceptron Algo (Training Perceptron)

  • کدگذاری الگوی پرسپترون (تجسم نتایج) Coding Perceptron Algo (Visualizing the Results)

  • مشکل با راه حل های خطی Problem with Linear Solutions

  • راه حل مشکل Solution to Problem

  • توابع خطا Error Functions

  • عملکرد خطای گسسته در مقابل پیوسته Discrete Versus Continuous Error Function

  • تابع سیگموئید Sigmoid Function

  • مشکل چند کلاسه Multi-Class Problem

  • مشکل نمرات منفی Problem of Negative Scores

  • نیاز به سافت مکس Need of SoftMax

  • کدنویسی SoftMax Coding SoftMax

  • رمزگذاری یک داغ One-Hot Encoding

  • حداکثر احتمال قسمت 1 Maximum Likelihood Part 1

  • حداکثر احتمال قسمت 2 Maximum Likelihood Part 2

  • آنتروپی متقاطع Cross Entropy

  • فرمولاسیون آنتروپی متقاطع Cross Entropy Formulation

  • آنتروپی متقاطع چند کلاسه Multi-Class Cross Entropy

  • اجرای متقابل آنتروپی Cross Entropy Implementation

  • پیاده سازی تابع سیگموئید Sigmoid Function Implementation

  • اجرای تابع خروجی Output Function Implementation

یادگیری عمیق Deep Learning

  • مقدمه ای بر Gradient Descent Introduction to Gradient Descent

  • توابع محدب Convex Functions

  • استفاده از مشتقات Use of Derivatives

  • نحوه عملکرد Gradient Descent How Gradient Descent Works

  • مرحله گرادیان Gradient Step

  • الگوریتم رگرسیون لجستیک Logistic Regression Algorithm

  • تجسم و خواندن داده ها Data Visualization and Reading

  • به روز رسانی وزن ها در پایتون Updating Weights in Python

  • اجرای رگرسیون لجستیک Implementing Logistic Regression

  • تجسم و نتایج Visualization and Results

  • گرادیان نزول در مقابل پرسپترون Gradient Descent Versus Perceptron

  • مرزهای خطی تا غیرخطی Linear to Non-Linear Boundaries

  • ترکیب احتمالات Combining Probabilities

  • مبالغ وزنی Weighted Sums

  • معماری شبکه های عصبی Neural Network Architecture

  • لایه ها و شبکه های عمیق Layers and DEEP Networks

  • طبقه بندی چند طبقه Multi-Class Classification

  • مبانی فید فوروارد Basics of Feed Forward

  • فید فوروارد برای DEEP Net Feed Forward for DEEP Net

  • نمای کلی الگوی یادگیری عمیق Deep Learning Algo Overview

  • مبانی پس انتشار Basics of Backpropagation

  • به روز رسانی وزن ها Updating Weights

  • قانون زنجیره ای برای پس انتشار Chain Rule for Backpropagation

  • سیگما پرایم Sigma Prime

  • پیاده سازی تحلیل داده ها NN (شبکه های عصبی). Data Analysis NN (Neural Networks) Implementation

  • رمزگذاری تک داغ (پیاده سازی NN) One-Hot Encoding (NN Implementation)

  • مقیاس بندی داده ها (پیاده سازی NN) Scaling the Data (NN Implementation)

  • تقسیم داده ها (پیاده سازی NN) Splitting the Data (NN Implementation)

  • توابع کمکی (پیاده سازی NN) Helper Functions (NN Implementation)

  • آموزش (پیاده سازی NN) Training (NN Implementation)

  • تست (پیاده سازی NN) Testing (NN Implementation)

بهینه سازی ها Optimizations

  • Underfitting vs Overfitting Underfitting vs Overfitting

  • توقف زودهنگام Early Stopping

  • امتحان Quiz

  • راه حل و تنظیم Solution and Regularization

  • تنظیم L1 و L2 L1 and L2 Regularization

  • ترک تحصیل Dropout

  • مشکل حداقل محلی Local Minima Problem

  • راه حل راه اندازی مجدد تصادفی Random Restart Solution

  • مشکل ناپدید شدن گرادیان Vanishing Gradient Problem

  • سایر توابع فعال سازی Other Activation Functions

پروژه نهایی Final Project

  • پروژه نهایی قسمت 1 Final Project Part 1

  • پروژه نهایی قسمت 2 Final Project Part 2

  • پروژه نهایی قسمت 3 Final Project Part 3

  • پروژه نهایی قسمت 4 Final Project Part 4

  • پروژه نهایی قسمت 5 Final Project Part 5

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق - شبکه عصبی عمیق برای مبتدیان با استفاده از پایتون [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
6 h 26 m
86
Packtpub packtpub-small
11 بهمن 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد
AI Sciences

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور