آموزش Deep Learning A-Z™ 2023: شبکه های عصبی، هوش مصنوعی و پاداش ChatGPT

Deep Learning A-Z™ 2023: Neural Networks, AI & ChatGPT Bonus

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: ایجاد الگوریتم های یادگیری عمیق در پایتون را از دو متخصص یادگیری ماشین و علم داده یاد بگیرید. قالب ها گنجانده شده است. درک شهود پشت شبکه‌های عصبی مصنوعی استفاده از شبکه‌های عصبی مصنوعی در عمل درک شهود پشت شبکه‌های عصبی کانولوشنال استفاده از شبکه‌های عصبی کانولوشن در عمل درک شهود پشت شبکه‌های عصبی تکراری استفاده از شبکه‌های عصبی تکراری در عمل درک شهود پشت نقشه‌های خودسازماندهی - Apply Self سازماندهی نقشه ها در عمل درک شهود پشت ماشین های بولتزمن استفاده از ماشین های بولتزمن در عمل درک شهود پشت رمزگذارهای خودکار بکارگیری رمزگذارهای خودکار در عمل پیش نیازها: سطح ریاضی دبیرستان دانش برنامه نویسی پایه پایتون

*** همانطور که در Kickstarter ***

مشاهده شد

هوش مصنوعی به طور تصاعدی در حال رشد است. درباره اون هیچ شکی نیست. اتومبیل‌های خودران میلیون‌ها مایل را طی می‌کنند، IBM Watson بیماران را بهتر از ارتش پزشکان تشخیص می‌دهد و AlphaGo Google Deepmind قهرمان جهان را در Go شکست داد - بازی که در آن شهود نقش کلیدی دارد.

اما هرچه هوش مصنوعی بیشتر پیشرفت کند، مشکلاتی که باید حل کند پیچیده تر می شود. و تنها یادگیری عمیق می تواند چنین مشکلات پیچیده ای را حل کند و به همین دلیل است که در قلب هوش مصنوعی قرار دارد.

--- چرا یادگیری عمیق A-Z؟ ---

در اینجا پنج دلیل وجود دارد که فکر می‌کنیم Deep Learning A-Z™ واقعاً متفاوت است و از دیگر برنامه‌های آموزشی خارج می‌شود:

1. ساختار قوی

اولین و مهمترین چیزی که روی آن تمرکز کردیم، دادن ساختاری قوی به دوره است. یادگیری عمیق بسیار گسترده و پیچیده است و برای پیمایش در این پیچ و خم شما نیاز به یک دید روشن و جهانی از آن دارید.

به همین دلیل است که ما آموزش ها را در دو جلد گروه بندی کردیم که نشان دهنده دو شاخه اساسی یادگیری عمیق است: یادگیری عمیق تحت نظارت و یادگیری عمیق بدون نظارت. با تمرکز هر جلد روی سه الگوریتم مجزا، متوجه شدیم که این بهترین ساختار برای تسلط بر یادگیری عمیق است.

2. آموزش شهود

بسیاری از دوره‌ها و کتاب‌ها فقط شما را با تئوری، ریاضی و کدنویسی بمباران می‌کنند... اما فراموش می‌کنند که شاید مهم‌ترین بخش را توضیح دهند: چرا کاری را که انجام می‌دهید انجام می‌دهید. و اینگونه است که این دوره بسیار متفاوت است. ما روی ایجاد یک احساس شهودی برای مفاهیم پشت الگوریتم‌های یادگیری عمیق تمرکز می‌کنیم.

با آموزش های شهودی ما مطمئن خواهید بود که تمام تکنیک ها را در سطح غریزی درک می کنید. و هنگامی که به تمرینات کدنویسی عملی ادامه دهید، خودتان خواهید دید که تجربه شما چقدر معنادارتر خواهد بود. این یک تغییر دهنده بازی است.

3. پروژه های هیجان انگیز

آیا از دوره های مبتنی بر مجموعه داده های منسوخ و استفاده بیش از حد خسته شده اید؟

بله؟ خوب پس شما در حال درمان هستید.

در این کلاس ما روی مجموعه داده های دنیای واقعی کار خواهیم کرد تا مشکلات کسب و کار دنیای واقعی را حل کنیم. (قطعاً مجموعه داده های عنبیه خسته کننده یا طبقه بندی رقمی که در هر دوره می بینیم نیست). در این دوره ما شش چالش دنیای واقعی را حل خواهیم کرد:

  • شبکه های عصبی مصنوعی برای حل مشکل انحراف مشتری
  • شبکه های عصبی کانولوشن برای تشخیص تصویر
  • شبکه‌های عصبی تکراری برای پیش‌بینی قیمت سهام
  • نقشه های خودسازماندهی برای بررسی تقلب
  • ماشین‌های بولتزمن برای ایجاد یک سیستم توصیه‌کننده
  • رمزگذارهای خودکار انباشته شده* برای مقابله با چالش جایزه ۱ میلیون دلاری Netflix

*Stacked Autoencoders یک تکنیک کاملاً جدید در یادگیری عمیق است که حتی چند سال پیش وجود نداشت. ما این روش را در هیچ جای دیگری با عمق کافی توضیح ندیده ایم.

4. کدگذاری عملی

در یادگیری عمیق A-Z™ ما با شما کدنویسی می کنیم. هر آموزش عملی با یک صفحه خالی شروع می شود و ما کد را از ابتدا می نویسیم. به این ترتیب می‌توانید دنبال کنید و بفهمید که دقیقاً چگونه کدها با هم ترکیب می‌شوند و هر خط به چه معناست.

علاوه بر این، ما به طور هدفمند کد را به گونه ای ساختار می دهیم که بتوانید آن را دانلود کرده و در پروژه های خود اعمال کنید. علاوه بر این، ما گام به گام توضیح می‌دهیم که کجا و چگونه کد را برای درج مجموعه داده‌های خود تغییر دهید، تا الگوریتم را مطابق با نیازهای شما تنظیم کنیم، تا خروجی مورد نظرتان را دریافت کنید.

این دوره ای است که به طور طبیعی در حرفه شما گسترش می یابد.

5. پشتیبانی در دوره

آیا تا به حال در دوره ای شرکت کرده اید یا کتابی را خوانده اید که در آن سؤالاتی داشته باشید اما نتوانید به نویسنده آن دسترسی پیدا کنید؟

خب، این دوره متفاوت است. ما کاملا متعهد هستیم که این دوره آموزشی مخرب ترین و قدرتمندترین دوره یادگیری عمیق را در این سیاره ایجاد کنیم. با این مسئولیت، زمانی که به کمک ما نیاز دارید، همیشه در آنجا باشید.

در واقع، از آنجایی که ما از نظر فیزیکی نیز به خوردن و خواب نیاز داریم، تیمی از متخصصان داده حرفه ای را گرد هم آورده ایم تا به ما کمک کنند. هر زمان که سوالی بپرسید حداکثر ظرف 48 ساعت از ما پاسخ خواهید گرفت.

مهم نیست درخواست شما چقدر پیچیده باشد، ما در آنجا خواهیم بود. نکته اصلی این است که ما می خواهیم شما موفق شوید.

--- ابزارها ---

Tensorflow و Pytorch دو کتابخانه منبع باز محبوب برای یادگیری عمیق هستند. در این دوره شما هر دو را یاد خواهید گرفت!

TensorFlow توسط Google توسعه داده شده است و در سیستم تشخیص گفتار آنها، در محصول جدید google photos، gmail، جستجوی گوگل و موارد دیگر استفاده می شود. شرکت هایی که از Tensorflow استفاده می کنند عبارتند از AirBnb، Airbus، Ebay، Intel، Uber و ده ها مورد دیگر.

PyTorch به همان اندازه قدرتمند است و توسط محققان انویدیا و دانشگاه‌های پیشرو: استنفورد، آکسفورد، پاریس‌تک در حال توسعه است. شرکت هایی که از PyTorch استفاده می کنند عبارتند از Twitter، Saleforce و Facebook.

پس کدام بهتر است و برای چه؟

خب، در این دوره شما این فرصت را خواهید داشت که با هر دو کار کنید و بفهمید که چه زمانی Tensorflow بهتر است و چه زمانی PyTorch راهی برای رفتن است. در طول آموزش، ما این دو را با هم مقایسه می‌کنیم و نکات و ایده‌هایی را به شما می‌دهیم که در شرایط خاص می‌توانند بهترین عملکرد را داشته باشند.

نکته جالب این است که هر دوی این کتابخانه ها به سختی بیش از 1 سال قدمت دارند. این همان چیزی است که می گوییم در این دوره به شما پیشرفته ترین مدل ها و تکنیک های یادگیری عمیق را آموزش می دهیم.

--- ابزارهای بیشتر ---

Theano یکی دیگر از کتابخانه‌های یادگیری عمیق منبع باز است. از نظر عملکرد بسیار شبیه به Tensorflow است، اما با این وجود ما همچنان آن را پوشش خواهیم داد.

Keras  یک کتابخانه باورنکردنی برای پیاده‌سازی مدل‌های یادگیری عمیق است. این به عنوان یک لفاف برای Theano و Tensorflow عمل می کند. به لطف Keras ما می توانیم مدل های یادگیری عمیق قدرتمند و پیچیده را تنها با چند خط کد ایجاد کنیم. این چیزی است که به شما این امکان را می دهد که یک دید جهانی از آنچه ایجاد می کنید داشته باشید. هر چیزی که می سازید به لطف این کتابخانه آنقدر واضح و ساختار یافته به نظر می رسد که واقعاً شهود و درک کاری را که انجام می دهید به دست خواهید آورد.

--- ابزارهای بیشتر ----

Scikit-learn  کاربردی‌ترین کتابخانه یادگیری ماشین. ما عمدتا از آن استفاده خواهیم کرد:

  • برای ارزیابی عملکرد مدل‌های ما با مرتبط‌ترین تکنیک، k-Fold Cross Validation
  • برای بهبود مدل های خود با تنظیم پارامتر موثر
  • برای پیش پردازش داده هایمان، به طوری که مدل های ما بتوانند در بهترین شرایط یاد بگیرند

و البته، باید به مظنونین همیشگی اشاره کنیم. کل این دوره مبتنی بر پایتون است و در هر بخش شما ساعت‌ها و ساعت‌ها تجربه عملی کدنویسی ارزشمندی خواهید داشت.

به‌علاوه، در طول دوره، از Numpy برای انجام محاسبات بالا و دستکاری آرایه‌های ابعادی بالا، از Matplotlib برای ترسیم نمودارهای روشن‌تر و از پانداها برای وارد کردن و دستکاری مجموعه داده‌ها به بهترین نحو استفاده خواهیم کرد.

--- این دوره برای چه کسانی است؟ ---

همانطور که می بینید، ابزارهای مختلف زیادی در فضای Deep Learning وجود دارد و در این دوره مطمئن می شویم که مهم ترین و پیشرفته ترین آنها را به شما نشان می دهیم تا پس از اتمام کار با Deep Learning A-Z™ مهارت ها در لبه برش تکنولوژی امروز هستند.

اگر تازه شروع به یادگیری عمیق کرده‌اید، این دوره برای شما بسیار مفید خواهد بود. Deep Learning A-Z مبتنی بر رویکردهای برنامه‌نویسی ویژه برنامه‌نویسی است به این معنی که در برنامه‌نویسی غیرضروری یا پیچیدگی‌های ریاضی گرفتار نمی‌شوید و در عوض از همان ابتدای دوره از تکنیک‌های یادگیری عمیق استفاده می‌کنید. شما دانش خود را از پایه خواهید ساخت و خواهید دید که چگونه با هر آموزش اعتماد به نفس بیشتری پیدا می کنید.

اگر قبلاً تجربه یادگیری عمیق دارید،  این دوره را طراوت، الهام بخش و بسیار کاربردی خواهید یافت. در داخل Deep Learning A-Z به برخی از پیشرفته ترین الگوریتم ها و تکنیک های یادگیری عمیق تسلط خواهید داشت (که برخی از آنها حتی یک سال پیش وجود نداشتند) و از طریق این دوره تجربیات عملی بسیار ارزشمندی را به دست خواهید آورد. چالش های کسب و کار در دنیای واقعی به‌علاوه، در درون شما الهام‌بخشی برای کشف مهارت‌ها و برنامه‌های یادگیری عمیق جدید خواهید یافت.

--- مطالعات موردی در دنیای واقعی ---

تسلط بر یادگیری عمیق فقط شناخت شهود و ابزارها نیست، بلکه به این معنی است که بتوانید این مدل ها را در سناریوهای دنیای واقعی اعمال کنید و نتایج قابل اندازه گیری واقعی را برای کسب و کار یا پروژه بدست آورید. به همین دلیل است که در این دوره ما شش چالش هیجان انگیز را معرفی می کنیم:

شماره 1 مشکل مدل سازی Churn

در این بخش شما یک چالش تجزیه و تحلیل داده برای یک بانک را حل خواهید کرد. مجموعه داده ای با نمونه بزرگی از مشتریان بانک به شما داده می شود. برای ساخت این مجموعه داده، بانک اطلاعاتی مانند شناسه مشتری، امتیاز اعتباری، جنسیت، سن، سابقه تصدی، موجودی، در صورت فعال بودن مشتری، داشتن کارت اعتباری و غیره را جمع آوری کرده است. در یک دوره 6 ماهه بانک مشاهده کرد که آیا مشتریان بانک را ترک کردند یا در بانک ماندند.

هدف شما این است که یک شبکه عصبی مصنوعی بسازید که بتواند بر اساس اطلاعات جغرافیایی-جمعیتی و تراکنش‌های داده شده در بالا، پیش‌بینی کند که آیا هر یک از مشتریان بانک را ترک می‌کنند یا می‌مانند (ریزش مشتری). علاوه بر این، از شما خواسته می شود که تمامی مشتریان بانک را بر اساس احتمال خروج آنها رتبه بندی کنید. برای انجام این کار، باید از مدل یادگیری عمیق مناسب استفاده کنید، مدلی که مبتنی بر رویکرد احتمالی است.

در صورت موفقیت در این پروژه، ارزش افزوده قابل توجهی برای بانک ایجاد خواهید کرد. با استفاده از مدل یادگیری عمیق، بانک ممکن است به طور قابل توجهی ریزش مشتری را کاهش دهد.

شماره 2 تشخیص تصویر

در این قسمت شما یک شبکه عصبی کانولوشن ایجاد خواهید کرد که قادر به تشخیص اجسام مختلف در تصاویر است. ما این مدل یادگیری عمیق را برای تشخیص گربه یا سگ در مجموعه ای از تصاویر پیاده سازی خواهیم کرد. با این حال، این مدل را می توان مجدداً برای شناسایی هر چیز دیگری استفاده کرد و ما به شما نشان خواهیم داد که چگونه این کار را انجام دهید - به سادگی با تغییر تصاویر در پوشه ورودی.

برای مثال، می‌توانید همان مدل را روی مجموعه‌ای از تصاویر مغز آموزش دهید تا تشخیص دهید که آیا تومور دارند یا خیر. اما اگر می خواهید آن را برای گربه ها و سگ ها نگه دارید، به معنای واقعی کلمه می توانید از گربه یا سگ خود عکس بگیرید و مدل شما پیش بینی می کند که کدام حیوان خانگی دارید. ما حتی آن را روی سگ هادلین آزمایش کردیم!

#3 پیش‌بینی قیمت سهام

در این قسمت یکی از قدرتمندترین مدل های یادگیری عمیق را ایجاد خواهید کرد. ما حتی تا آنجا پیش خواهیم رفت که بگوییم شما مدل یادگیری عمیق را که نزدیک به «هوش مصنوعی» است ایجاد خواهید کرد. چرا اینطور است؟ زیرا این مدل نیز مانند ما انسان ها حافظه بلند مدت خواهد داشت.

شاخه ای از یادگیری عمیق که این امر را تسهیل می کند، شبکه های عصبی بازگشتی است. RNN های کلاسیک حافظه کوتاهی دارند و به همین دلیل نه محبوب بودند و نه قدرتمند. اما یک پیشرفت عمده اخیر در شبکه های عصبی بازگشتی باعث محبوبیت LSTM (RNN های حافظه کوتاه مدت بلندمدت) شد که زمین بازی را کاملاً تغییر داده است. ما بسیار هیجان زده هستیم که این روش های پیشرفته یادگیری عمیق را در دوره خود بگنجانیم!

در این قسمت نحوه پیاده‌سازی این مدل فوق‌العاده قدرتمند را یاد می‌گیرید، و ما چالش استفاده از آن را برای پیش‌بینی قیمت واقعی سهام گوگل انجام می‌دهیم. چالش مشابهی قبلاً توسط محققان دانشگاه استنفورد مواجه شده است و ما قصد داریم حداقل به اندازه آنها کار کنیم.

 #4 تشخیص کلاهبرداری

طبق گزارش اخیر منتشر شده توسط Markets Markets، ارزش بازار کشف و پیشگیری از تقلب تا سال 2021 به 33.19 میلیارد دلار خواهد رسید. این صنعت بزرگی است و تقاضا برای مهارت های یادگیری عمیق پیشرفته تنها در حال افزایش است. به همین دلیل است که ما این مطالعه موردی را در دوره گنجانده ایم.

این اولین قسمت از جلد 2 است - مدل‌های یادگیری عمیق بدون نظارت. چالش تجاری در اینجا درباره کشف تقلب در برنامه های کارت اعتباری است. شما یک مدل یادگیری عمیق برای یک بانک ایجاد خواهید کرد و مجموعه داده ای به شما داده می شود که حاوی اطلاعات مشتریان متقاضی کارت اعتباری پیشرفته است.

این اطلاعاتی است که مشتریان هنگام پر کردن فرم درخواست ارائه کردند. وظیفه شما تشخیص تقلب احتمالی در این برنامه ها است. این بدان معناست که در پایان چالش، شما به معنای واقعی کلمه با یک لیست صریح از مشتریانی مواجه خواهید شد که به طور بالقوه در برنامه های خود تقلب کرده اند.

#5 6 سیستم های توصیه کننده

از پیشنهادات محصول آمازون تا توصیه های فیلم نتفلیکس - سیستم های توصیه کننده خوب در دنیای امروز بسیار ارزشمند هستند. و متخصصانی که می توانند آنها را ایجاد کنند، برخی از پردرآمدترین دانشمندان داده در این سیاره هستند.

ما روی مجموعه داده‌ای کار خواهیم کرد که دقیقاً همان ویژگی‌های مجموعه داده Netflix را دارد: تعداد زیادی فیلم، هزاران کاربر، که به فیلم‌هایی که تماشا کرده‌اند امتیاز داده‌اند. رتبه‌بندی‌ها از 1 تا 5 می‌شوند، دقیقاً مانند مجموعه داده‌های Netflix، که ساختن سیستم توصیه‌کننده را پیچیده‌تر از زمانی می‌کند که رتبه‌بندی‌ها صرفاً «پسندیده» یا «پسندیده نشده» باشند.

سیستم توصیه‌کننده نهایی شما می‌تواند رتبه‌بندی فیلم‌هایی را که مشتریان تماشا نکرده‌اند پیش‌بینی کند. بر این اساس، با رتبه‌بندی پیش‌بینی‌ها از ۵ به ۱، مدل یادگیری عمیق شما می‌تواند فیلم‌هایی را که هر کاربر باید تماشا کند را توصیه کند. ایجاد چنین سیستم توصیه‌کننده قدرتمندی بسیار چالش برانگیز است، بنابراین ما دو بار برای خودمان تلاش خواهیم کرد. به این معنی که ما آن را با دو مدل مختلف یادگیری عمیق خواهیم ساخت.

اولین مدل ما شبکه‌های باور عمیق، ماشین‌های پیچیده بولتزمن است که در قسمت 5 پوشش داده خواهد شد. سپس مدل دوم ما با AutoEncoder‌های قدرتمند، موارد دلخواه شخصی من خواهد بود. شما از تضاد بین سادگی آنها و توانایی آنها قدردانی خواهید کرد.

و حتی می‌توانید آن را برای خود یا دوستانتان اعمال کنید. فهرست فیلم‌ها واضح خواهد بود، بنابراین شما به سادگی باید به فیلم‌هایی که قبلاً تماشا کرده‌اید امتیاز دهید، رتبه‌بندی‌های خود را در مجموعه داده وارد کنید، مدل و voila خود را اجرا کنید! سیستم توصیه‌کننده دقیقاً به شما می‌گوید که اگر نمی‌دانید چه چیزی را در نتفلیکس تماشا کنید، یک شب عاشق کدام فیلم خواهید بود!

--- خلاصه ---

در پایان، این یک برنامه آموزشی هیجان انگیز است که با آموزش های شهودی، تمرین های عملی و مطالعات موردی در دنیای واقعی پر شده است.

ما در مورد یادگیری عمیق بسیار مشتاق هستیم و امیدواریم شما را در کلاس ببینیم!

کریل  هادلین


سرفصل ها و درس ها

به دوره خوش آمدید Welcome to the course

  • چالش خوش آمدید! Welcome Challenge!

  • یادگیری عمیق چیست؟ What is Deep Learning?

  • مجموعه داده ها را از اینجا دریافت کنید Get the Datasets here

  • پاداش: از ChatGPT برای تقویت مهارت های یادگیری عمیق خود استفاده کنید BONUS: Use ChatGPT to Boost your Deep Learning Skills

--------------------- قسمت 1 - شبکه های عصبی مصنوعی --------------------- --------------------- Part 1 - Artificial Neural Networks ---------------------

  • به بخش 1 - شبکه های عصبی مصنوعی خوش آمدید Welcome to Part 1 - Artificial Neural Networks

شهود ANN ANN Intuition

  • آنچه برای ANN نیاز دارید What You'll Need for ANN

  • 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

ساخت ANN Building an ANN

  • شرح مشکل تجاری Business Problem Description

  • یادداشت مهم IMPORTANT NOTE

  • ساخت ANN - مرحله 1 Building an ANN - Step 1

  • دوره رایگان ما در ANN برای رگرسیون را بررسی کنید Check out our free course on ANN for Regression

  • ساخت یک ANN - مرحله 2 Building an ANN - Step 2

  • ساختن یک ANN - مرحله 3 Building an ANN - Step 3

  • ساخت ANN - مرحله 4 Building an ANN - Step 4

  • ساخت یک ANN - مرحله 5 Building an ANN - Step 5

-------------------- قسمت 2 - شبکه های عصبی کانولوشن -------------------- -------------------- Part 2 - Convolutional Neural Networks --------------------

  • به بخش 2 - شبکه های عصبی کانولوشنال خوش آمدید Welcome to Part 2 - Convolutional Neural Networks

CNN Intuition CNN Intuition

  • آنچه برای CNN نیاز دارید What You'll Need for CNN

  • طرح حمله Plan of attack

  • شبکه های عصبی کانولوشن چیست؟ What are convolutional neural networks?

  • مرحله 1 - عملیات پیچیدگی Step 1 - Convolution Operation

  • مرحله 1 (ب) - لایه ReLU Step 1(b) - ReLU Layer

  • مرحله 2 - ادغام Step 2 - Pooling

  • مرحله 3 - صاف کردن Step 3 - Flattening

  • مرحله 4 - اتصال کامل Step 4 - Full Connection

  • خلاصه Summary

  • Softmax & Cross-Entropy Softmax & Cross-Entropy

ساخت CNN Building a CNN

  • یادداشت مهم IMPORTANT NOTE

  • ساخت CNN - مرحله 1 Building a CNN - Step 1

  • ساخت CNN - مرحله 2 Building a CNN - Step 2

  • ساخت CNN - مرحله 3 Building a CNN - Step 3

  • ساخت CNN - مرحله 4 Building a CNN - Step 4

  • ساخت CNN - مرحله 5 Building a CNN - Step 5

  • یادداشت سریع Quick Note

  • ساخت CNN - دموی نهایی! Building a CNN - FINAL DEMO!

---------------------- قسمت 3 - شبکه های عصبی مکرر ---------------------- ---------------------- Part 3 - Recurrent Neural Networks ----------------------

  • به قسمت 3 - شبکه های عصبی تکراری خوش آمدید Welcome to Part 3 - Recurrent Neural Networks

RNN Intuition RNN Intuition

  • آنچه برای RNN نیاز دارید What You'll Need for RNN

  • طرح حمله Plan of attack

  • ایده پشت شبکه های عصبی بازگشتی The idea behind Recurrent Neural Networks

  • مشکل گرادیان ناپدید شدن The Vanishing Gradient Problem

  • LSTMs LSTMs

  • شهود عملی Practical intuition

  • اضافی: تغییرات LSTM EXTRA: LSTM Variations

ساخت RNN Building a RNN

  • یادداشت مهم IMPORTANT NOTE

  • ساخت RNN - مرحله 1 Building a RNN - Step 1

  • ساخت یک RNN - مرحله 2 Building a RNN - Step 2

  • ساخت یک RNN - مرحله 3 Building a RNN - Step 3

  • ساخت یک RNN - مرحله 4 Building a RNN - Step 4

  • ساخت یک RNN - مرحله 5 Building a RNN - Step 5

  • ساخت یک RNN - مرحله 6 Building a RNN - Step 6

  • ساخت یک RNN - مرحله 7 Building a RNN - Step 7

  • ساخت یک RNN - مرحله 8 Building a RNN - Step 8

  • ساخت یک RNN - مرحله 9 Building a RNN - Step 9

  • ساخت یک RNN - مرحله 10 Building a RNN - Step 10

  • ساخت یک RNN - مرحله 11 Building a RNN - Step 11

  • ساخت یک RNN - مرحله 12 Building a RNN - Step 12

  • ساخت یک RNN - مرحله 13 Building a RNN - Step 13

  • ساخت یک RNN - مرحله 14 Building a RNN - Step 14

  • ساخت یک RNN - مرحله 15 Building a RNN - Step 15

ارزیابی و بهبود RNN Evaluating and Improving the RNN

  • ارزیابی RNN Evaluating the RNN

  • بهبود RNN Improving the RNN

------------------------ قسمت 4 - نقشه های خود سازماندهی -------------------- ---- ------------------------ Part 4 - Self Organizing Maps ------------------------

  • به قسمت 4 - نقشه های خود سازماندهی خوش آمدید Welcome to Part 4 - Self Organizing Maps

SOMs Intuition SOMs Intuition

  • طرح حمله Plan of attack

  • نقشه های خودسازماندهی چگونه کار می کنند؟ How do Self-Organizing Maps Work?

  • چرا دوباره به K-Means مراجعه کنید؟ Why revisit K-Means?

  • K-Means Clustering (Refresher) K-Means Clustering (Refresher)

  • نقشه های خودسازمان چگونه یاد می گیرند؟ (قسمت 1) How do Self-Organizing Maps Learn? (Part 1)

  • نقشه های خودسازمان چگونه یاد می گیرند؟ (قسمت 2) How do Self-Organizing Maps Learn? (Part 2)

  • مثال زنده SOM Live SOM example

  • خواندن SOM پیشرفته Reading an Advanced SOM

  • EXTRA: K-means Clustering (قسمت 2) EXTRA: K-means Clustering (part 2)

  • EXTRA: K-means Clustering (قسمت 3) EXTRA: K-means Clustering (part 3)

ساخت SOM Building a SOM

  • یادداشت مهم IMPORTANT NOTE

  • نحوه دریافت مجموعه داده How to get the dataset

  • ساخت SOM - مرحله 1 Building a SOM - Step 1

  • ساخت SOM - مرحله 2 Building a SOM - Step 2

  • ساخت SOM - مرحله 3 Building a SOM - Step 3

  • ساخت SOM - مرحله 4 Building a SOM - Step 4

مطالعه موردی مگا Mega Case Study

  • یادداشت مهم IMPORTANT NOTE

  • مطالعه موردی مگا - مرحله 1 Mega Case Study - Step 1

  • مطالعه موردی مگا - مرحله 2 Mega Case Study - Step 2

  • مطالعه موردی مگا - مرحله 3 Mega Case Study - Step 3

  • مطالعه موردی مگا - مرحله 4 Mega Case Study - Step 4

------------------------- قسمت 5 - ماشین های بولتزمن -------------------- ----- ------------------------- Part 5 - Boltzmann Machines -------------------------

  • به قسمت 5 - ماشین های بولتزمن خوش آمدید Welcome to Part 5 - Boltzmann Machines

  • طرح حمله Plan of attack

شهود ماشین بولتزمن Boltzmann Machine Intuition

  • ماشین بولتزمن Boltzmann Machine

  • مدل‌های مبتنی بر انرژی (EBM) Energy-Based Models (EBM)

  • ویرایش ویکی پدیا - کمک ما به جهان Editing Wikipedia - Our Contribution to the World

  • ماشین بولتزمن محدود Restricted Boltzmann Machine

  • واگرایی متضاد Contrastive Divergence

  • شبکه های باور عمیق Deep Belief Networks

  • ماشین آلات بولتزمن عمیق Deep Boltzmann Machines

  • نحوه دریافت مجموعه داده How to get the dataset

ساخت ماشین بولتزمن Building a Boltzmann Machine

  • یادداشت مهم IMPORTANT NOTE

  • در حال نصب PyTorch Installing PyTorch

  • ساخت ماشین بولتزمن - مقدمه Building a Boltzmann Machine - Introduction

  • پیش پردازش داده های مشابه در قسمت های 5 و 6 Same Data Preprocessing in Parts 5 and 6

  • ساخت ماشین بولتزمن - مرحله 1 Building a Boltzmann Machine - Step 1

  • ساخت ماشین بولتزمن - مرحله 2 Building a Boltzmann Machine - Step 2

  • ساخت ماشین بولتزمن - مرحله 3 Building a Boltzmann Machine - Step 3

  • ساخت ماشین بولتزمن - مرحله 4 Building a Boltzmann Machine - Step 4

  • ساخت ماشین بولتزمن - مرحله 5 Building a Boltzmann Machine - Step 5

  • ساخت ماشین بولتزمن - مرحله 6 Building a Boltzmann Machine - Step 6

  • ساخت ماشین بولتزمن - مرحله 7 Building a Boltzmann Machine - Step 7

  • ساخت ماشین بولتزمن - مرحله 8 Building a Boltzmann Machine - Step 8

  • ساخت ماشین بولتزمن - مرحله 9 Building a Boltzmann Machine - Step 9

  • ساخت ماشین بولتزمن - مرحله 10 Building a Boltzmann Machine - Step 10

  • ساخت ماشین بولتزمن - مرحله 11 Building a Boltzmann Machine - Step 11

  • ساخت ماشین بولتزمن - مرحله 12 Building a Boltzmann Machine - Step 12

  • ساخت ماشین بولتزمن - مرحله 13 Building a Boltzmann Machine - Step 13

  • ساخت ماشین بولتزمن - مرحله 14 Building a Boltzmann Machine - Step 14

  • ارزیابی ماشین بولتزمن Evaluating the Boltzmann Machine

---------------------------- قسمت 6 - رمزگذارهای خودکار ------------------ ---------- ---------------------------- Part 6 - AutoEncoders ----------------------------

  • به قسمت 6 - AutoEncoders خوش آمدید Welcome to Part 6 - AutoEncoders

  • طرح حمله Plan of attack

AutoEncoders Intuition AutoEncoders Intuition

  • رمزگذارهای خودکار Auto Encoders

  • یادداشتی در مورد تعصبات A Note on Biases

  • آموزش رمزگذار خودکار Training an Auto Encoder

  • لایه های پنهان را بیش از حد کامل کنید Overcomplete hidden layers

  • رمزگذارهای خودکار پراکنده Sparse Autoencoders

  • حذف نویز از رمزگذارهای خودکار Denoising Autoencoders

  • رمزگذارهای خودکار قراردادی Contractive Autoencoders

  • رمزگذارهای خودکار انباشته شده Stacked Autoencoders

  • رمزگذارهای خودکار عمیق Deep Autoencoders

ساخت رمزگذار خودکار Building an AutoEncoder

  • یادداشت مهم IMPORTANT NOTE

  • نحوه دریافت مجموعه داده How to get the dataset

  • در حال نصب PyTorch Installing PyTorch

  • پیش پردازش داده های مشابه در قسمت های 5 و 6 Same Data Preprocessing in Parts 5 and 6

  • ساخت رمزگذار خودکار - مرحله 1 Building an AutoEncoder - Step 1

  • ساخت رمزگذار خودکار - مرحله 2 Building an AutoEncoder - Step 2

  • ساخت رمزگذار خودکار - مرحله 3 Building an AutoEncoder - Step 3

  • چالش تکلیف - تمرین کدنویسی Homework Challenge - Coding Exercise

  • ساخت رمزگذار خودکار - مرحله 4 Building an AutoEncoder - Step 4

  • ساخت رمزگذار خودکار - مرحله 5 Building an AutoEncoder - Step 5

  • ساخت رمزگذار خودکار - مرحله 6 Building an AutoEncoder - Step 6

  • ساخت رمزگذار خودکار - مرحله 7 Building an AutoEncoder - Step 7

  • ساخت رمزگذار خودکار - مرحله 8 Building an AutoEncoder - Step 8

  • ساخت رمزگذار خودکار - مرحله 9 Building an AutoEncoder - Step 9

  • ساخت رمزگذار خودکار - مرحله 10 Building an AutoEncoder - Step 10

  • ساخت رمزگذار خودکار - مرحله 11 Building an AutoEncoder - Step 11

  • با تشکر از شما ویدئو THANK YOU Video

------------------- ضمیمه - دریافت مبانی یادگیری ماشین ------------------- ------------------- Annex - Get the Machine Learning Basics -------------------

  • ضمیمه - اصول یادگیری ماشین را دریافت کنید Annex - Get the Machine Learning Basics

شهود رگرسیون و طبقه بندی Regression & Classification Intuition

  • آنچه برای رگرسیون و طبقه بندی نیاز دارید What You Need for Regression & Classification

  • شهود رگرسیون خطی ساده - مرحله 1 Simple Linear Regression Intuition - Step 1

  • شهود رگرسیون خطی ساده - مرحله 2 Simple Linear Regression Intuition - Step 2

  • شهود رگرسیون خطی چندگانه Multiple Linear Regression Intuition

  • شهود رگرسیون لجستیک Logistic Regression Intuition

الگوی پیش پردازش داده ها Data Preprocessing Template

  • دستورالعمل های مهم Important Instructions

  • پیش پردازش داده ها - مرحله 1 Data Preprocessing - Step 1

  • پیش پردازش داده ها - مرحله 2 Data Preprocessing - Step 2

  • پیش پردازش داده ها - مرحله 3 Data Preprocessing - Step 3

  • پیش پردازش داده ها - مرحله 4 Data Preprocessing - Step 4

  • پیش پردازش داده ها - مرحله 5 Data Preprocessing - Step 5

  • پیش پردازش داده ها - مرحله 6 Data Preprocessing - Step 6

  • پیش پردازش داده ها - مرحله 7 Data Preprocessing - Step 7

پیاده سازی رگرسیون لجستیک Logistic Regression Implementation

  • دستورالعمل های مهم Important Instructions

  • رگرسیون لجستیک - مرحله 1 Logistic Regression - Step 1

  • رگرسیون لجستیک - مرحله 2 Logistic Regression - Step 2

  • رگرسیون لجستیک - مرحله 3 Logistic Regression - Step 3

  • رگرسیون لجستیک - مرحله 4 Logistic Regression - Step 4

  • رگرسیون لجستیک - مرحله 5 Logistic Regression - Step 5

  • رگرسیون لجستیک - مرحله 6 Logistic Regression - Step 6

  • رگرسیون لجستیک - مرحله 7 Logistic Regression - Step 7

پیشنهاد ویژه Special Offer

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

نمایش نظرات

آموزش Deep Learning A-Z™ 2023: شبکه های عصبی، هوش مصنوعی و پاداش ChatGPT
جزییات دوره
22 hours
169
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
350,893
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

Kirill Eremenko Kirill Eremenko

دانشمند داده

اسم من کریل ارمنکو است و از اینکه شما دارید این مطلب را می خوانید بسیار روان هستم!

من به طور حرفه ای یک مشاور مدیریت علوم داده با بیش از پنج سال تجربه در امور مالی، خرده فروشی، حمل و نقل و سایر صنایع هستم. من توسط بهترین مربیان تجزیه و تحلیل در Deloitte استرالیا آموزش دیدم و امروز از Big Data برای هدایت استراتژی تجاری، بهبود تجربه مشتری و متحول کردن فرآیندهای عملیاتی موجود استفاده می کنم.

از دوره های من بلافاصله متوجه خواهید شد که چگونه تجربه واقعی زندگی و پیشینه تحصیلی خود را در فیزیک و ریاضیات ترکیب می کنم تا مربیگری گام به گام حرفه ای را در فضای علم داده ارائه دهم. من همچنین علاقه زیادی به سخنرانی عمومی دارم و به طور مرتب در دانشگاه ها و رویدادهای صنعتی پیشرو استرالیا در Big Data حضور دارم.

به طور خلاصه، من کاملاً و کاملاً مشتاق علوم داده هستم و مشتاقانه منتظر هستم تا اشتیاق و دانش خود را با شما به اشتراک بگذارم!

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