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.


پیش نیازهای پیشنهادی:

  • جمع و ضرب ماتریس

  • احتمال پایه (توزیع شرطی و مشترک)

  • کدنویسی پایتون: if/else، حلقه‌ها، فهرست‌ها، دستورات، مجموعه‌ها

  • 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

  • بررسی بخش مقدمه Review Section Introduction

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • تهیه کد (تئوری طبقه بندی) Code Preparation (Classification Theory)

  • دفترچه رده بندی Classification Notebook

  • تهیه کد (نظریه رگرسیون) Code Preparation (Regression Theory)

  • دفترچه رگرسیون Regression Notebook

  • نورون The Neuron

  • 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

یادگیری ماشین و نورون ها Machine Learning and Neurons

  • بررسی بخش مقدمه Review Section Introduction

  • یادگیری ماشینی چیست؟ What is Machine Learning?

  • تهیه کد (تئوری طبقه بندی) Code Preparation (Classification Theory)

  • دفترچه رده بندی Classification Notebook

  • تهیه کد (نظریه رگرسیون) Code Preparation (Regression Theory)

  • دفترچه رگرسیون Regression Notebook

  • نورون The Neuron

  • 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)

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

ضمیمه/سوالات متداول نهایی Appendix / FAQ Finale

  • آپاندیس چیست؟ What is the Appendix?

  • جایزه BONUS

نمایش نظرات

Udemy (یودمی)

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.

آموزش یادگیری عمیق: شبکه های عصبی کانولوشن در پایتون
جزییات دوره
13.5 hours
75
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
34,560
4.6 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

Lazy Programmer Inc. Lazy Programmer Inc.

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.