لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
یادگیری عمیق: شبکه های عصبی مکرر با پایتون [ویدئو]
Deep Learning: Recurrent Neural Networks with Python [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با رشد تصاعدی داده های تولید شده توسط کاربر، نیاز شدیدی به حرکت فراتر از شبکه های عصبی استاندارد به منظور انجام وظایفی مانند طبقه بندی و پیش بینی وجود دارد. در اینجا، معماریهایی مانند RNN، واحدهای بازگشتی دردار (GRU) و حافظه کوتاهمدت بلند مدت (LSTM) گزینههای پیشنهادی هستند. از این رو، برای هر مهندس یادگیری عمیق، تسلط بر RNN ها یک اولویت است.
این دوره با اصول اولیه شروع می شود و به تدریج شما را نه تنها به دانش تئوری بلکه مهارت های عملی مورد نیاز برای موفقیت آمیز ساخت، آموزش و پیاده سازی RNN ها مجهز می کند. این دوره شامل چندین تمرین در مورد موضوعاتی مانند نزول گرادیان در RNN، GRU، LSTM و غیره است. این دوره همچنین شما را با پیاده سازی RNN با استفاده از TensorFlow آشنا می کند.
این دوره در دو پروژه هیجان انگیز و واقع گرایانه به اوج خود می رسد: ایجاد یک کتاب نویس خودکار و یک برنامه پیش بینی قیمت سهام. در پایان این دوره، شما به تمام مهارت های مورد نیاز برای استفاده مطمئن و پیاده سازی RNN در برنامه های خود مجهز خواهید شد.
بسته کد این دوره در https://github.com/AISCIENCES/mastering_recurrent_neural_networks موجود است. مروری بر شبکه های عصبی عمیق به دست آورید.
اصول معماری RNN را درک کنید
آموزش مجموعه داده های دنیای واقعی با استفاده از معماری های مختلف RNN
RNN، LSTM و GRU را از طریق تمرینات عملی پیاده سازی کنید
ایجاد و کامپایل مدل های RNN در TensorFlow
انجام طبقهبندی متن با استفاده از RNN و TensorFlow از آنجایی که این دوره با اصول اولیه شروع میشود، نیازی به دانش قبلی در RNN نیست. با این حال، تجربه قبلی در پایتون مفید خواهد بود. چه مبتدی باشید، چه یک دانشمند داده باتجربه که به دنبال شروع با RNN ها، تحلیلگران کسب و کار هستید، یا اگر به سادگی می خواهید RNN ها را در پروژه های خود پیاده سازی کنید، این دوره برای شما مناسب است. درک و به کارگیری اصول شبکه های عصبی مکرر * پیاده سازی RNN و معماری های مرتبط در مجموعه داده های دنیای واقعی * آموزش RNN ها برای کاربردهای دنیای واقعی - نویسنده کتاب خودکار و پیش بینی قیمت سهام
سرفصل ها و درس ها
معرفی
Introduction
مقدمه ای بر علوم هوش مصنوعی
Introduction to AI Sciences
تمرکز دوره
Focus of the Course
کاربردهای RNN
Applications of RNN
تشخیص فعالیت های انسانی
Human Activity Recognition
زیرنویس تصویر
Image Captioning
ترجمه ماشینی
Machine Translation
تشخیص گفتار
Speech Recognition
پیش بینی قیمت سهام
Stock Price Predictions
چه زمانی باید RNN را مدل کرد
When to Model RNN
فعالیت
Activity
نمای کلی شبکه عصبی عمیق (DNN).
Deep Neural Network (DNN) Overview
چرا PyTorch
Why PyTorch
مقدمه نصب PyTorch و تنسورها
PyTorch Installation and Tensors Introduction
تمایز خودکار PyTorch جدید
Automatic Differentiation PyTorch New
چرا DNN ها در یادگیری ماشینی
Why DNNs in Machine Learning
قدرت نمایندگی و ظرفیت استفاده از داده DNN
Representational Power and Data Utilization Capacity of DNN
پرسپترون
Perceptron
تمرین پرسپترون
Perceptron Exercise
محلول تمرین پرسپترون
Perceptron Exercise Solution
پیاده سازی پرسپترون
Perceptron Implementation
معماری DNN
DNN Architecture
تمرین معماری DNN
DNN Architecture Exercise
راه حل تمرین معماری DNN
DNN Architecture Exercise Solution
پیاده سازی گام رو به جلو DNN
DNN Forward Step Implementation
DNN چرا عملکرد فعال سازی مورد نیاز است
DNN Why Activation Function Is Required
DNN چرا عملکرد فعالسازی مورد نیاز است تمرین کنید
DNN Why Activation Function Is Required Exercise
DNN چرا عملکرد فعالسازی مورد نیاز است راه حل تمرین
DNN Why Activation Function Is Required Exercise Solution
ویژگی های عملکرد فعال سازی DNN
DNN Properties of Activation Function
توابع فعال سازی DNN در PyTorch
DNN Activation Functions in PyTorch
DNN عملکرد ضرر چیست
DNN What Is Loss Function
DNN تمرین عملکرد ضرر چیست
DNN What Is Loss Function Exercise
راه حل تمرین عملکرد DNN چیست
DNN What Is Loss Function Exercise Solution
DNN عملکرد ضرر چیست تمرین 02
DNN What Is Loss Function Exercise 02
راه حل تمرین 02 عملکرد ضرر چیست
DNN What Is Loss Function Exercise 02 Solution
عملکرد از دست دادن DNN در PyTorch
DNN Loss Function in PyTorch
نمایش نظرات