لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش یادگیری عمیق: شبکه های عصبی کانولوشن در پایتون
Deep Learning: Convolutional Neural Networks in Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
Tensorflow 2 CNN برای بینایی کامپیوتری، پردازش زبان طبیعی (NLP) + بیشتر! برای علم داده و یادگیری ماشین درک پیچیدگی و اینکه چرا برای یادگیری عمیق مفید است درک و توضیح معماری یک شبکه عصبی کانولوشن (CNN) پیاده سازی CNN در TensorFlow 2 استفاده از CNN برای وظایف چالش برانگیز تشخیص تصویر استفاده از CNN برای پردازش زبان طبیعی (NLP) برای طبقه بندی متن (به عنوان مثال تشخیص هرزنامه، تجزیه و تحلیل احساسات) پیش نیازها: ریاضیات پایه (گرفتن مشتقات، محاسبات ماتریس، احتمال) مفید است Python، Numpy، Matplotlib
*** اکنون در TENSORFLOW 2 و PYTHON 3 ***
درباره یکی از قدرتمندترین معماری های یادگیری عمیق تا کنون بیاموزید!
شبکه عصبی کانولوشنال (CNN) برای به دست آوردن نتایج پیشرفته در کارهای بینایی کامپیوتری مانند تشخیص اشیا، تقسیمبندی تصویر، و تولید تصاویر واقعی واقعی از افراد و چیزهایی که وجود ندارند، استفاده شده است. در دنیای واقعی!
این دوره اصول کانولوشن و اینکه چرا برای یادگیری عمیق و حتی NLP (پردازش زبان طبیعی) مفید است را به شما آموزش می دهد.
درباره تکنیکهای مدرن مانند افزایش دادهها و نرمالسازی دستهای، و خودتان معماریهای مدرن مانند VGG بسازید.
این دوره به شما آموزش می دهد:
مبانی یادگیری ماشین و نورونها (فقط مروری برای گرم کردن شما!)
شبکه های عصبی برای طبقه بندی و رگرسیون (فقط مروری برای گرم کردن شما!)
نحوه مدلسازی دادههای تصویر در کد
نحوه مدلسازی دادههای متنی برای NLP (از جمله مراحل پیشپردازش متن)
نحوه ساخت CNN با استفاده از Tensorflow 2
نحوه استفاده از نرمالسازی دستهای و تنظیم حذف در Tensorflow 2
نحوه طبقه بندی تصویر در Tensorflow 2
نحوه انجام پیش پردازش داده برای مجموعه داده های تصویر سفارشی خود
نحوه استفاده از Embeddings در Tensorflow 2 برای NLP
نحوه ساخت یک CNN طبقهبندی متن برای NLP (مثلاً: تشخیص هرزنامه، تجزیه و تحلیل احساسات، برچسبگذاری بخشهای گفتار، شناسایی موجودیت نامگذاری شده)
تمام مطالب مورد نیاز برای این دوره را می توان به صورت رایگان دانلود و نصب کرد. ما بیشتر کارهایمان را در Numpy، Matplotlib و Tensorflow انجام خواهیم داد. من همیشه در دسترس هستم تا به سؤالات شما پاسخ دهم و در سفر علم داده به شما کمک کنم.
این دوره بر "چگونگی ساخت و درک" تمرکز دارد، نه فقط "نحوه استفاده". هر کسی می تواند پس از خواندن برخی از اسناد، استفاده از API را در 15 دقیقه یاد بگیرد. این در مورد "به خاطر سپردن حقایق" نیست، بلکه در مورد "خود دیدن" از طریق آزمایش است. این به شما یاد می دهد که چگونه آنچه را که در مدل اتفاق می افتد در داخل تجسم کنید. اگر بیش از یک نگاه سطحی به مدل های یادگیری ماشینی می خواهید، این دوره برای شما مناسب است.
کدگذاری Numpy: عملیات ماتریس و برداری، بارگیری یک فایل CSV
به چه ترتیبی باید در دوره های شما شرکت کنم؟:
سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسشهای متداول هر یک از دورههای من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.
ویژگی های منحصر به فرد
هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید
همانند سایر دورهها، زمان را تلف نمیکنید - بیایید صادق باشیم، هیچکس واقعاً نمیتواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد
از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید
سرفصل ها و درس ها
خوش آمدی
Welcome
مقدمه و طرح کلی
Introduction and Outline
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
خوش آمدی
Welcome
مقدمه و طرح کلی
Introduction and Outline
دستان خود را کثیف کنید، تجربه کدنویسی عملی، پیوندهای داده
Get Your Hands Dirty, Practical Coding Experience, Data Links
نحوه استفاده از Github و نکات کدنویسی اضافی (اختیاری)
How to use Github & Extra Coding Tips (Optional)
از کجا می توان کد، نوت بوک و داده را دریافت کرد
Where to get the code, notebooks, and data
چگونه در این دوره موفق شویم
How to Succeed in this Course
گوگل کولب
Google Colab
معرفی Google Colab، نحوه استفاده رایگان از GPU یا TPU
Intro to Google Colab, how to use a GPU or TPU for free
آپلود داده های خود در Google Colab
Uploading your own data to Google Colab
از کجا می توانم درباره Numpy، Scipy، Matplotlib، Pandas و Scikit-Learn بیاموزم؟
Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?
گوگل کولب
Google Colab
معرفی Google Colab، نحوه استفاده رایگان از GPU یا TPU
Intro to Google Colab, how to use a GPU or TPU for free
آپلود داده های خود در Google Colab
Uploading your own data to Google Colab
از کجا می توانم درباره Numpy، Scipy، Matplotlib، Pandas و Scikit-Learn بیاموزم؟
Where can I learn about Numpy, Scipy, Matplotlib, Pandas, and Scikit-Learn?
یادگیری ماشین و نورون ها
Machine Learning and Neurons
یک مدل چگونه "یاد می گیرد"؟
How does a model "learn"?
پیشگویی
Making Predictions
ذخیره و بارگذاری یک مدل
Saving and Loading a Model
صندوق پیشنهادات
Suggestion Box
شبکه های عصبی مصنوعی پیشخور
Feedforward Artificial Neural Networks
معرفی بخش شبکه های عصبی مصنوعی
Artificial Neural Networks Section Introduction
انتشار رو به جلو
Forward Propagation
تصویر هندسی
The Geometrical Picture
توابع فعال سازی
Activation Functions
طبقه بندی چند طبقه
Multiclass Classification
نحوه نمایش تصاویر
How to Represent Images
تهیه کد (ANN)
Code Preparation (ANN)
ANN برای طبقه بندی تصویر
ANN for Image Classification
ANN برای رگرسیون
ANN for Regression
شبکه های عصبی مصنوعی پیشخور
Feedforward Artificial Neural Networks
معرفی بخش شبکه های عصبی مصنوعی
Artificial Neural Networks Section Introduction
انتشار رو به جلو
Forward Propagation
تصویر هندسی
The Geometrical Picture
توابع فعال سازی
Activation Functions
طبقه بندی چند طبقه
Multiclass Classification
نحوه نمایش تصاویر
How to Represent Images
تهیه کد (ANN)
Code Preparation (ANN)
ANN برای طبقه بندی تصویر
ANN for Image Classification
ANN برای رگرسیون
ANN for Regression
شبکه های عصبی کانولوشنال
Convolutional Neural Networks
Convolution چیست؟ (قسمت 1)
What is Convolution? (part 1)
Convolution چیست؟ (قسمت 2)
What is Convolution? (part 2)
Convolution چیست؟ (قسمت 3)
What is Convolution? (part 3)
چرا از 0-indexing استفاده کنیم؟
Why use 0-indexing?
پیچیدگی در تصاویر رنگی
Convolution on Color Images
معماری CNN
CNN Architecture
تهیه کد CNN
CNN Code Preparation
CNN برای Fashion MNIST
CNN for Fashion MNIST
CNN برای CIFAR-10
CNN for CIFAR-10
افزایش داده ها
Data Augmentation
عادی سازی دسته ای
Batch Normalization
بهبود نتایج CIFAR-10
Improving CIFAR-10 Results
شبکه های عصبی کانولوشنال
Convolutional Neural Networks
Convolution چیست؟ (قسمت 1)
What is Convolution? (part 1)
Convolution چیست؟ (قسمت 2)
What is Convolution? (part 2)
Convolution چیست؟ (قسمت 3)
What is Convolution? (part 3)
چرا از 0-indexing استفاده کنیم؟
Why use 0-indexing?
پیچیدگی در تصاویر رنگی
Convolution on Color Images
معماری CNN
CNN Architecture
تهیه کد CNN
CNN Code Preparation
CNN برای Fashion MNIST
CNN for Fashion MNIST
CNN برای CIFAR-10
CNN for CIFAR-10
افزایش داده ها
Data Augmentation
عادی سازی دسته ای
Batch Normalization
بهبود نتایج CIFAR-10
Improving CIFAR-10 Results
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
جاسازی ها
Embeddings
تهیه کد (NLP)
Code Preparation (NLP)
پیش پردازش متن
Text Preprocessing
CNN برای متن
CNNs for Text
طبقه بندی متن با CNN
Text Classification with CNNs
پردازش زبان طبیعی (NLP)
Natural Language Processing (NLP)
جاسازی ها
Embeddings
تهیه کد (NLP)
Code Preparation (NLP)
پیش پردازش متن
Text Preprocessing
CNN برای متن
CNNs for Text
طبقه بندی متن با CNN
Text Classification with CNNs
پیچیدگی در عمق
Convolution In-Depth
نمونه هایی از کانولوشن در زندگی واقعی
Real-Life Examples of Convolution
راهنمای مبتدیان برای کانولوشن
Beginner's Guide to Convolution
دیدگاه های جایگزین در مورد پیچیدگی
Alternative Views on Convolution
پیچیدگی در عمق
Convolution In-Depth
نمونه هایی از کانولوشن در زندگی واقعی
Real-Life Examples of Convolution
راهنمای مبتدیان برای کانولوشن
Beginner's Guide to Convolution
دیدگاه های جایگزین در مورد پیچیدگی
Alternative Views on Convolution
تشریح شبکه عصبی کانولوشنال
Convolutional Neural Network Description
پیچیدگی در تصاویر سه بعدی
Convolution on 3-D Images
ردیابی اشکال در CNN
Tracking Shapes in a CNN
تشریح شبکه عصبی کانولوشنال
Convolutional Neural Network Description
پیچیدگی در تصاویر سه بعدی
Convolution on 3-D Images
ردیابی اشکال در CNN
Tracking Shapes in a CNN
نکات کاربردی
Practical Tips
CNN های پیشرفته و نحوه طراحی خود
Advanced CNNs and how to Design your Own
نکات کاربردی
Practical Tips
CNN های پیشرفته و نحوه طراحی خود
Advanced CNNs and how to Design your Own
در عمق: توابع از دست دادن
In-Depth: Loss Functions
خطای میانگین مربعات
Mean Squared Error
آنتروپی متقاطع باینری
Binary Cross Entropy
آنتروپی متقاطع طبقه ای
Categorical Cross Entropy
در عمق: توابع از دست دادن
In-Depth: Loss Functions
خطای میانگین مربعات
Mean Squared Error
آنتروپی متقاطع باینری
Binary Cross Entropy
آنتروپی متقاطع طبقه ای
Categorical Cross Entropy
در عمق: گرادیان نزول
In-Depth: Gradient Descent
گرادیان نزول
Gradient Descent
نزول گرادیان تصادفی
Stochastic Gradient Descent
تکانه
Momentum
نرخ های یادگیری متغیر و تطبیقی
Variable and Adaptive Learning Rates
آدم (نقطه 1)
Adam (pt 1)
آدم (نقطه 2)
Adam (pt 2)
در عمق: گرادیان نزول
In-Depth: Gradient Descent
گرادیان نزول
Gradient Descent
نزول گرادیان تصادفی
Stochastic Gradient Descent
تکانه
Momentum
نرخ های یادگیری متغیر و تطبیقی
Variable and Adaptive Learning Rates
آدم (نقطه 1)
Adam (pt 1)
آدم (نقطه 2)
Adam (pt 2)
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
تنظیم محیط شما (سؤالات متداول بر اساس درخواست دانشجو)
Setting Up Your Environment (FAQ by Student Request)
راه اندازی محیط آناکوندا
Anaconda Environment Setup
نحوه نصب Numpy، Scipy، Matplotlib، Pandas، IPython، Theano و TensorFlow
How to install Numpy, Scipy, Matplotlib, Pandas, IPython, Theano, and TensorFlow
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نکات کدنویسی مبتدیان
Beginner's Coding Tips
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
چگونه یک فایل .tar.gz را از حالت فشرده خارج کنیم
How to Uncompress a .tar.gz file
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
آیا تیانو مرده است؟
Is Theano Dead?
کمک اضافی برای کدنویسی پایتون برای مبتدیان (سؤالات متداول بر اساس درخواست دانشجو)
Extra Help With Python Coding for Beginners (FAQ by Student Request)
نکات کدنویسی مبتدیان
Beginner's Coding Tips
نحوه کدنویسی توسط خودتان (قسمت 1)
How to Code by Yourself (part 1)
چگونه به تنهایی کدنویسی کنیم (قسمت 2)
How to Code by Yourself (part 2)
چگونه یک فایل .tar.gz را از حالت فشرده خارج کنیم
How to Uncompress a .tar.gz file
اثبات اینکه استفاده از نوت بوک Jupyter همان استفاده نکردن از آن است
Proof that using Jupyter Notebook is the same as not using it
پایتون 2 در مقابل پایتون 3
Python 2 vs Python 3
آیا تیانو مرده است؟
Is Theano Dead?
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
استراتژیهای یادگیری مؤثر برای یادگیری ماشین (سؤالات متداول بر اساس درخواست دانشجو)
Effective Learning Strategies for Machine Learning (FAQ by Student Request)
چگونه در این دوره موفق شویم (نسخه طولانی)
How to Succeed in this Course (Long Version)
این برای مبتدیان است یا متخصصان؟ علمی یا عملی؟ سریع یا کند؟
Is this for Beginners or Experts? Academic or Practical? Fast or slow-paced?
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 1)
Machine Learning and AI Prerequisite Roadmap (pt 1)
نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی (نقطه 2)
Machine Learning and AI Prerequisite Roadmap (pt 2)
یودمی یکی از بزرگترین پلتفرمهای آموزشی آنلاین است که به میلیونها کاربر در سراسر جهان امکان دسترسی به دورههای متنوع و کاربردی را فراهم میکند. این پلتفرم امکان آموزش در زمینههای مختلف از فناوری اطلاعات و برنامهنویسی گرفته تا زبانهای خارجی، مدیریت، و هنر را به کاربران ارائه میدهد. با استفاده از یودمی، کاربران میتوانند به صورت انعطافپذیر و بهینه، مهارتهای جدیدی را یاد بگیرند و خود را برای بازار کار آماده کنند.
یکی از ویژگیهای برجسته یودمی، کیفیت بالای دورهها و حضور استادان مجرب و با تجربه در هر حوزه است. این امر به کاربران اعتماد میدهد که در حال دریافت آموزش از منابع قابل اعتماد و معتبر هستند و میتوانند به بهترین شکل ممکن از آموزشها بهره ببرند. به طور خلاصه، یودمی به عنوان یکی از معتبرترین و موثرترین پلتفرمهای آموزشی آنلاین، به افراد امکان میدهد تا به راحتی و با کیفیت، مهارتهای مورد نیاز خود را ارتقا دهند و به دنبال رشد و پیشرفت شغلی خود باشند.
امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام.
من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم.
این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند.
من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام.
کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.
نمایش نظرات