آموزش راهنمای کامل TensorFlow 2.0 با استفاده از Keras API

A Complete Guide on TensorFlow 2.0 using Keras API

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ساخت برنامه های شگفت انگیز یادگیری عمیق و هوش مصنوعی در TensorFlow 2.0 نحوه استفاده از Tensorflow 2.0 در علم داده تفاوت های مهم بین Tensorflow 1.x و Tensorflow 2.0 نحوه پیاده سازی شبکه های عصبی مصنوعی در Tensorflow 2.0 نحوه پیاده سازی Convolutionn0 Tensorflow Networks2. پیاده سازی شبکه های عصبی مکرر در تنسورفلو 2.0 نحوه ایجاد برنامه یادگیری انتقال خود در تنسورفلو 2.0 نحوه ساخت ربات معاملاتی بازار سهام با استفاده از یادگیری تقویتی (شبکه Deep-Q) نحوه ایجاد خط لوله یادگیری ماشین در تنسورفلو 2.0 نحوه انجام اعتبارسنجی داده ها و پیش پردازش مجموعه داده با استفاده از اعتبارسنجی داده های TensorFlow و تبدیل TensorFlow. تولید یک مدل TensorFlow 2.0 نحوه ایجاد یک مد API با Flask و TensorFlow 2.0 نحوه ارائه یک مدل TensorFlow با RESTful API پیش نیازها: برخی از اصول ریاضی مانند دانستن چیستی تمایز یا اصول پایه پایتون گرادیان

به Tensorflow 2.0 خوش آمدید!


TensorFlow 2.0 به تازگی منتشر شده است و ویژگی های بسیاری را معرفی می کند که فرآیندهای توسعه و نگهداری مدل را ساده می کند. از جنبه آموزشی، با ساده سازی بسیاری از مفاهیم پیچیده، درک افراد را افزایش می دهد. از دیدگاه صنعت، درک، نگهداری و توسعه مدل‌ها بسیار آسان‌تر است.


یادگیری عمیق یکی از حوزه های هوش مصنوعی در حال رشد است. در چند سال گذشته، ما ثابت کرده‌ایم که مدل‌های یادگیری عمیق، حتی ساده‌ترین آن‌ها، می‌توانند کارهای بسیار سخت و پیچیده را حل کنند. اکنون که دوره پرحرفی Deep Learning تا حدودی سپری شده است، مردم در حال آزاد کردن قدرت و پتانسیل آن برای بهبود محصول خود هستند.


ساختار این دوره به گونه ای است که تمام موضوعات از مدل سازی شبکه عصبی و آموزش تا تولید آن را پوشش می دهد.


در قسمت 1 دوره، با پشته فناوری که در طول دوره استفاده خواهیم کرد (بخش 1) و اصول و نحو کتابخانه TensorFlow 2.0 (بخش 2) آشنا خواهید شد.


در قسمت 2 دوره، به دنیای هیجان انگیز یادگیری عمیق خواهیم پرداخت. از طریق این بخش از دوره، شما چندین نوع شبکه عصبی (شبکه عصبی کاملاً متصل (بخش 3)، شبکه عصبی کانولوشنال (بخش 4)، شبکه عصبی تکراری (بخش 5)) را پیاده سازی خواهید کرد. در پایان این بخش، بخش 6، برنامه کاربردی Transfer Learning خود را یاد خواهید گرفت و می‌سازید که به نتایج پیشرفته (SOTA) در مجموعه داده سگ‌ها در مقابل گربه‌ها دست می‌یابد.


پس از گذراندن قسمت 2 دوره و در نهایت یادگیری نحوه پیاده سازی شبکه های عصبی، در قسمت 3 دوره، یاد می گیرید که چگونه با استفاده از Reinforcement Learning، به ویژه شبکه Deep-Q، ربات معاملاتی بازار سهام خود را بسازید.


قسمت 4 همه چیز درباره TensorFlow Extended (TFX) است. در این قسمت از دوره، نحوه کار با داده و ایجاد خطوط لوله داده خود را برای تولید یاد خواهید گرفت. در بخش 8، بررسی می‌کنیم که آیا مجموعه داده با استفاده از کتابخانه اعتبارسنجی داده‌های TensorFlow دارای ناهنجاری است یا خیر و پس از یادگیری نحوه بررسی یک مجموعه داده برای ناهنجاری‌ها، در بخش 9، خط لوله پیش‌پردازش داده‌های خود را با استفاده از کتابخانه TensorFlow Transform ایجاد می‌کنیم.


در بخش 10 دوره، با استفاده از کتابخانه Flask Python و یک مدل از پیش آموزش دیده، API مد خود را یاد خواهید گرفت و ایجاد خواهید کرد. در سراسر این بخش، تصویر بهتری از نحوه ارسال درخواست به یک مدل از طریق اینترنت دریافت خواهید کرد. با این حال، در این مرحله، معماری اطراف مدل به میلیون ها درخواست مقیاس پذیر نیست. وارد بخش 11 شوید. در این بخش از دوره، نحوه بهبود راه حل از بخش قبل را با استفاده از کتابخانه TensorFlow Serving یاد خواهید گرفت. به روشی بسیار آسان، API طبقه‌بندی تصویر خود را یاد می‌گیرید و ایجاد می‌کنید که می‌تواند میلیون‌ها درخواست را در روز پشتیبانی کند!


این روزها داشتن یک مدل یادگیری عمیق در یک برنامه اندروید یا iOS بیشتر و بیشتر رایج شده است، اما شبکه های عصبی به قدرت و منابع زیادی نیاز دارند! اینجاست که کتابخانه TensorFlow Lite وارد عمل می شود. در بخش 12 این دوره، نحوه بهینه سازی و تبدیل هر شبکه عصبی را به مناسب برای دستگاه تلفن همراه خواهید آموخت.


برای پایان دادن به فرآیند یادگیری و قسمت 5 دوره، در بخش 13 یاد خواهید گرفت که چگونه آموزش هر شبکه عصبی را با استفاده از کتابخانه TensorFlow 2.0 بین چندین GPU یا حتی سرورها توزیع کنید.




سرفصل ها و درس ها

معرفی Introduction

  • به دوره TensorFlow 2.0 خوش آمدید! ساختار آن و جعبه ابزار TF را کشف کنید. Welcome to the TensorFlow 2.0 course! Discover its structure and the TF toolkit.

  • برنامه درسی دوره و مجموعه ابزار Colab Course Curriculum & Colab Toolkit

  • 10 مزیت TensorFlow 10 advantages of TensorFlow

  • مسیر یادگیری Learning Path

مبانی تنسورفلو 2.0 TensorFlow 2.0 Basics

  • از TensorFlow 1.x تا TensorFlow 2.0 From TensorFlow 1.x to TensorFlow 2.0

  • ثابت ها، متغیرها، تانسورها Constants, Variables, Tensors

  • عملیات با تانسورها Operations with Tensors

  • رشته های Strings

شبکه های عصبی مصنوعی Artificial Neural Networks

  • راه اندازی پروژه Project Setup

  • پیش پردازش داده ها Data Preprocessing

  • ساخت شبکه عصبی مصنوعی Building the Artificial Neural Network

  • آموزش شبکه عصبی مصنوعی Training the Artificial Neural Network

  • ارزیابی شبکه عصبی مصنوعی Evaluating the Artificial Neural Network

  • آزمون شبکه عصبی مصنوعی Artificial Neural Network Quiz

  • تکلیف: شبکه های عصبی مصنوعی HOMEWORK: Artificial Neural Networks

  • راه حل تکلیف: شبکه های عصبی مصنوعی HOMEWORK SOLUTION: Artificial Neural Networks

شبکه های عصبی کانولوشنال Convolutional Neural Networks

  • راه اندازی پروژه و پیش پردازش داده ها Project Setup & Data Preprocessing

  • ساخت شبکه عصبی کانولوشنال Building the Convolutional Neural Network

  • آموزش و ارزیابی شبکه عصبی کانولوشنال Training and Evaluating the Convolutional Neural Network

  • آزمون شبکه های عصبی کانولوشنال Convolutional Neural Networks Quiz

  • تکلیف: شبکه های عصبی کانولوشن HOMEWORK: Convolutional Neural Networks

  • راه حل تکلیف: شبکه های عصبی کانولوشن HOMEWORK SOLUTION: Convolutional Neural Networks

شبکه های عصبی مکرر Recurrent Neural Networks

  • راه اندازی پروژه و پیش پردازش داده ها Project Setup & Data Preprocessing

  • راه اندازی پروژه و پیش پردازش داده ها Project Setup & Data Preprocessing

  • ساخت شبکه عصبی بازگشتی Building the Recurrent Neural Network

  • آموزش و ارزیابی شبکه عصبی بازگشتی Training and Evaluating the Recurrent Neural Network

  • آزمون شبکه عصبی مکرر Recurrent Neural Network Quiz

آموزش انتقال و تنظیم دقیق Transfer Learning and Fine Tuning

  • آموزش انتقالی چیست؟ What is Transfer Learning?

  • راه اندازی پروژه Project Setup

  • پیش پردازش مجموعه داده Dataset preprocessing

  • در حال بارگیری مدل MobileNet V2 Loading the MobileNet V2 model

  • فریز کردن مدل از پیش آموزش دیده Freezing the pre-trained model

  • افزودن سر سفارشی به مدل از پیش آموزش دیده Adding a custom head to the pre-trained model

  • تعریف مدل یادگیری انتقالی Defining the transfer learning model

  • تدوین مدل یادگیری انتقالی Compiling the Transfer Learning model

  • تولید کننده داده های تصویری Image Data Generators

  • یادگیری انتقالی Transfer Learning

  • ارزیابی نتایج یادگیری انتقالی Evaluating Transfer Learning results

  • تعریف مدل تنظیم دقیق Fine Tuning model definition

  • کامپایل مدل Fine Tuning Compiling the Fine Tuning model

  • تنظیم دقیق Fine Tuning

  • ارزیابی نتایج تنظیم دقیق Evaluating Fine Tuning results

  • آزمون آموزش انتقال Transfer Learning quiz

نظریه یادگیری تقویتی عمیق Deep Reinforcement Learning Theory

  • یادگیری تقویتی چیست؟ What is Reinforcement Learning?

  • معادله بلمن The Bellman Equation

  • فرآیند تصمیم گیری مارکوف (MDP) Markov Decision Process (MDP)

  • Q-Learning Intuition Q-Learning Intuition

  • تفاوت زمانی Temporal Difference

  • شهود یادگیری عمیق Q - مرحله 1 Deep Q-Learning Intuition - Step 1

  • شهود یادگیری عمیق Q - مرحله 2 Deep Q-Learning Intuition - Step 2

  • تکرار را تجربه کنید Experience Replay

  • سیاست های انتخاب اقدام Action Selection Policies

یادگیری تقویتی عمیق برای معاملات بازار سهام Deep Reinforcement Learning for Stock Market trading

  • راه اندازی پروژه Project Setup

  • AI Trader - مرحله 1 AI Trader - Step 1

  • AI Trader - مرحله 2 AI Trader - Step 2

  • AI Trader - مرحله 3 AI Trader - Step 3

  • AI Trader - مرحله 4 AI Trader - Step 4

  • AI Trader - مرحله 5 AI Trader - Step 5

  • تابع بارگذار مجموعه داده Dataset Loader function

  • عملکرد خالق دولت State creator function

  • در حال بارگیری مجموعه داده Loading the dataset

  • تعریف مدل Defining the model

  • حلقه آموزشی - مرحله 1 Training loop - Step 1

  • حلقه آموزشی - مرحله 2 Training loop - Step 2

اعتبارسنجی داده ها با اعتبارسنجی داده های TensorFlow (TFDV) Data Validation with TensorFlow Data Validation (TFDV)

  • راه اندازی پروژه Project Setup

  • در حال بارگیری مجموعه داده آلودگی Loading the pollution dataset

  • ایجاد طرح واره داده Creating dataset Schema

  • آمار مجموعه تست محاسباتی Computing test set statistics

  • تشخیص ناهنجاری با اعتبارسنجی داده های TensorFlow Anomaly detection with TensorFlow Data Validation

  • آماده سازی طرحواره برای تولید Preparing Schema for production

  • ذخیره طرحواره Saving the Schema

  • بعدش چی؟ What's next?

پیش پردازش مجموعه داده با تبدیل TensorFlow (TFT) Dataset Preprocessing with TensorFlow Transform (TFT)

  • راه اندازی پروژه Project Setup

  • پیش پردازش داده اولیه Initial dataset preprocessing

  • فراداده مجموعه داده Dataset metadata

  • عملکرد پیش پردازش Preprocessing function

  • خط لوله پیش پردازش مجموعه داده Dataset preprocessing pipeline

  • بعدش چی؟ What's next?

Fashion API با Flask و TensorFlow 2.0 Fashion API with Flask and TensorFlow 2.0

  • راه اندازی پروژه Project Setup

  • واردات وابستگی پروژه Importing project dependencies

  • بارگیری یک مدل از پیش آموزش دیده Loading a pre-trained model

  • تعریف اپلیکیشن Flask Defining the Flask application

  • ایجاد تابع طبقه بندی Creating classify function

  • شروع برنامه Flask Starting the Flask application

  • ارسال درخواست های API از طریق اینترنت به مدل Sending API requests over internet to the model

API طبقه‌بندی تصویر با سرویس TensorFlow Image Classification API with TensorFlow Serving

  • سرویس TensorFlow چیست؟ What is the TensorFlow Serving?

  • معماری سرویس TensorFlow TensorFlow Serving architecture

  • راه اندازی پروژه Project setup

  • پیش پردازش مجموعه داده Dataset preprocessing

  • تعریف، آموزش و ارزیابی مدل Defining, training and evaluating a model

  • ذخیره مدل برای تولید Saving the model for production

  • ارائه مدل TensorFlow 2.0 Serving the TensorFlow 2.0 Model

  • ایجاد یک شی JSON Creating a JSON object

  • ارسال اولین درخواست POST به مدل Sending the first POST request to the model

  • ارسال درخواست POST به یک مدل خاص Sending the POST request to a specific model

TensorFlow Lite: یک مدل برای یک دستگاه تلفن همراه آماده کنید TensorFlow Lite: Prepare a model for a mobile device

  • TensorFlow Lite چیست؟ What is the TensorFlow Lite?

  • راه اندازی پروژه Project setup

  • پیش پردازش مجموعه داده Dataset preprocessing

  • پیش پردازش مجموعه داده Dataset preprocessing

  • ساخت مدل Building a model

  • آموزش، ارزیابی مدل Training, evaluating the model

  • ذخیره مدل Saving the model

  • مبدل TensorFlow Lite TensorFlow Lite Converter

  • تبدیل مدل به مدل TensorFlow Lite Converting the model to a TensorFlow Lite model

  • ذخیره مدل تبدیل شده Saving the converted model

  • بعدش چی؟ What's next?

  • بعدش چی؟ What's next?

آموزش توزیع شده با TensorFlow 2.0 Distributed Training with TensorFlow 2.0

  • آموزش توزیع شده چیست؟ What is the Distributed Training?

  • راه اندازی پروژه Project Setup

  • راه اندازی پروژه Project Setup

  • پیش پردازش مجموعه داده Dataset preprocessing

  • تعریف مدل غیر توزیع شده (مدل CNN معمولی) Defining a non-distributed model (normal CNN model)

  • تنظیم یک استراتژی توزیع شده Setting up a distributed strategy

  • تعریف مدل توزیع شده Defining a distributed model

  • ارزیابی نهایی - تست سرعت: مدل نرمال در مقابل مدل توزیع شده Final evaluation - Speed test: normal model vs distributed model

پیوست 1 - نظریه شبکه های عصبی مصنوعی Annex 1 - Artificial Neural Networks Theory

  • طرح حمله Plan of Attack

  • نورون The Neuron

  • تابع فعال سازی The Activation Function

  • شبکه های عصبی چگونه کار می کنند؟ How do Neural Networks Work?

  • شبکه های عصبی چگونه یاد می گیرند؟ How do Neural Networks Learn?

  • گرادیان نزول Gradient Descent

  • نزول گرادیان تصادفی Stochastic Gradient Descent

  • پس انتشار Backpropagation

پیوست 2 - نظریه شبکه های عصبی کانولوشنال Annex 2 - Convolutional Neural Networks Theory

  • طرح حمله Plan of Attack

  • شبکه های عصبی کانولوشن چیست؟ What are Convolutional Neural Networks?

  • مرحله 1 - پیچیدگی Step 1 - Convolution

  • مرحله 1 Bis - لایه ReLU Step 1 Bis - ReLU Layer

  • مرحله 2 - حداکثر جمع آوری Step 2 - Max Pooling

  • مرحله 3 - صاف کردن Step 3 - Flattening

  • مرحله 4 - اتصال کامل Step 4 - Full Connection

  • خلاصه Summary

  • Softmax & Cross-Entropy Softmax & Cross-Entropy

پیوست 3 - نظریه شبکه های عصبی مکرر Annex 3 - Recurrent Neural Networks Theory

  • طرح حمله Plan of Attack

  • طرح حمله Plan of Attack

  • شبکه های عصبی مکرر چیست؟ What are Recurrent Neural Networks?

  • ناپدید شدن گرادیان Vanishing Gradient

  • LSTMs LSTMs

  • شهود عملی LSTM LSTM Practical Intuition

  • تغییرات LSTM LSTM Variations

سخنرانی های اضافی Extra Lectures

  • وظیفه ویژه COVID-19 SPECIAL COVID-19 TASK

  • **منابع آموزشی رایگان برای شما ** **FREE LEARNING RESOURCES FOR YOU**

  • ***پاداش ویژه شما*** ***YOUR SPECIAL BONUS***

نمایش نظرات

آموزش راهنمای کامل TensorFlow 2.0 با استفاده از Keras API
جزییات دوره
13 hours
133
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
53,475
4.6 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Hadelin de Ponteves Hadelin de Ponteves

هادلین یکی از بنیانگذاران و مدیر عامل شرکت BlueLife AI است که از قدرت پیشرفته هوش مصنوعی برای توانمندسازی مشاغل برای کسب سود کلان با نوآوری ، خودکارسازی فرایندها و به حداکثر رساندن بهره وری بهره می برد. هادلین همچنین یک کارآفرین آنلاین است که 70 دوره آموزشی الکترونیکی با رتبه برتر در جهان در موضوعاتی مانند یادگیری ماشین ، یادگیری عمیق ، هوش مصنوعی و بلاکچین ایجاد کرده است که به بیش از 1 میلیون دانش آموز در 210 کشور رسیده است.

SuperDataScience Team SuperDataScience Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم SuperDataScience Social هستیم. هنگام انتشار دوره های جدید SDS ، هنگامی که پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و سایر موارد را منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در SuperDataScience

Ligency Team Ligency Team

کمک به دانشمندان داده برای موفقیت در آنجا ، ما تیم روابط عمومی و بازاریابی Ligence هستیم. هنگامی که دوره های جدید منتشر می شوند ، وقتی پادکست های جدید ، وبلاگ ها ، صفحه های اشتراک گذاری و غیره منتشر می کنیم ، از ما می شنوید! ما در اینجا هستیم تا به شما کمک کنیم در لبه پیشرفته علم و فناوری داده بمانید. در کلاس می بینمت، خالصانه، افراد واقعی در معرض خطر

Luka Anicin Luka Anicin

مهندس و کارآفرین هوش مصنوعی