آموزش 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.
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

  • DNN Gradient Descent DNN Gradient Descent

  • تمرین نزول گرادیان DNN DNN Gradient Descent Exercise

  • راه حل تمرین نزول گرادیان DNN DNN Gradient Descent Exercise Solution

  • اجرای DNN Gradient Descent DNN Gradient Descent Implementation

  • مینی بچ دسته ای تصادفی شیب دار DNN DNN Gradient Descent Stochastic Batch Minibatch

  • خلاصه DNN Gradient Descent DNN Gradient Descent Summary

  • مرحله گرادیان پیاده سازی DNN DNN Implementation Gradient Step

  • پیاده‌سازی DNN نزولی گرادیان تصادفی DNN Implementation Stochastic Gradient Descent

  • نزول گرادیان دسته ای پیاده سازی DNN DNN Implementation Batch Gradient Descent

  • پیاده‌سازی DNN مینی‌بچ نزول گرادیان DNN Implementation Minibatch Gradient Descent

  • پیاده سازی DNN در PyTorch DNN Implementation in PyTorch

  • مقدار دهی اولیه وزن DNN DNN Weights Initializations

  • نرخ یادگیری DNN DNN Learning Rate

  • عادی سازی دسته ای DNN DNN Batch Normalization

  • اجرای عادی سازی دسته ای DNN DNN Batch Normalization Implementation

  • بهینه سازی DNN DNN Optimizations

  • خروج DNN DNN Dropout

  • DNN Dropout در PyTorch DNN Dropout in PyTorch

  • توقف زودهنگام DNN DNN Early Stopping

  • فراپارامترهای DNN DNN Hyperparameters

  • مثال DNN PyTorch CIFAR10 DNN PyTorch CIFAR10 Example

معماری RNN RNN Architecture

  • مقدمه ای بر ماژول Introduction to Module

  • مدل حافظه با طول ثابت Fixed Length Memory Model

  • تمرین مدل حافظه با طول ثابت Fixed Length Memory Model Exercise

  • راه حل تمرین مدل حافظه با طول ثابت قسمت 01 Fixed Length Memory Model Exercise Solution Part 01

  • راه حل تمرین مدل حافظه با طول ثابت قسمت 02 Fixed Length Memory Model Exercise Solution Part 02

  • معماری حافظه بی نهایت Infinite Memory Architecture

  • تمرین معماری حافظه بی نهایت Infinite Memory Architecture Exercise

  • راه حل معماری حافظه بی نهایت Infinite Memory Architecture Solution

  • تقسیم وزن Weight Sharing

  • نمادها Notations

  • مدل ManyToMany ManyToMany Model

  • تمرین مدل ManyToMany 01 ManyToMany Model Exercise 01

  • راه حل مدل ManyToMany 01 ManyToMany Model Solution 01

  • تمرین مدل ManyToMany 02 ManyToMany Model Exercise 02

  • راه حل مدل ManyToMany 02 ManyToMany Model Solution 02

  • مدل ManyToOne ManyToOne Model

  • تمرین مدل OneToMany OneToMany Model Exercise

  • راه حل مدل OneToMany OneToMany Model Solution

  • مدل OneToMany OneToMany Model

  • تمرین مدل ManyToOne ManyToOne Model Exercise

  • راه حل مدل ManyToOne ManyToOne Model Solution

  • فعالیت خیلی به یک Activity Many to One

  • فعالیت چند به یک تمرین Activity Many to One Exercise

  • فعالیت بسیاری به یک راه حل Activity Many to One Solution

  • مدل ManyToMany سایزهای مختلف ManyToMany Different Sizes Model

  • فعالیت بسیاری از Nmt Activity Many to Many Nmt

  • خلاصه مدل Model Summary

  • RNN های عمیق Deep RNNs

  • تمرین RNN های عمیق Deep RNNs Exercise

  • راه حل عمیق RNNs Deep RNNs Solution

Gradient Descent در RNN Gradient Descent in RNN

  • مقدمه ای بر ماژول نزول گرادیان Introduction to Gradient Descent Module

  • راه اندازی مثال Example Setup

  • معادلات Equations

  • تمرین معادلات Equations Exercise

  • حل معادلات Equations Solution

  • عملکرد از دست دادن Loss Function

  • چرا گرادیان Why Gradients

  • چرا گرادیان ها ورزش می کنند Why Gradients Exercise

  • چرا راه حل گرادیان Why Gradients Solution

  • قاعده زنجیره ای Chain Rule

  • قانون زنجیره ای در عمل Chain Rule in Action

  • انتشار برگشتی در طول زمان Back Propagation Through Time

  • فعالیت Activity

پیاده سازی RNN RNN Implementation

  • تمایز خودکار Automatic Differentiation

  • تمایز خودکار PyTorch Automatic Differentiation PyTorch

  • مدل‌سازی زبان فهرست واژگان پیش‌بینی کلمه بعدی Language Modeling Next Word Prediction Vocabulary Index

  • مدل سازی زبان بعدی پیش بینی واژگان گنجاندن فهرست Language Modeling Next Word Prediction Vocabulary Index Embeddings

  • مدل سازی زبان بعدی پیش بینی کلمه معماری RNN Language Modeling Next Word Prediction RNN Architecture

  • مدل سازی زبان پیش بینی کلمه بعدی پایتون 1 Language Modeling Next Word Prediction Python 1

  • مدل سازی زبان بعدی پیش بینی کلمه پایتون 2 Language Modeling Next Word Prediction Python 2

  • مدل سازی زبان بعدی پیش بینی کلمه پایتون 3 Language Modeling Next Word Prediction Python 3

  • مدل سازی زبان بعدی پیش بینی کلمه پایتون 4 Language Modeling Next Word Prediction Python 4

  • مدل سازی زبان بعدی پیش بینی کلمه پایتون 5 Language Modeling Next Word Prediction Python 5

  • مدل سازی زبان بعدی پیش بینی کلمه پایتون 6 Language Modeling Next Word Prediction Python 6

طبقه بندی احساسات با استفاده از RNN Sentiment Classification Using RNN

  • پیاده سازی واژگان Vocabulary Implementation

  • کمک های پیاده سازی واژگان Vocabulary Implementation Helpers

  • پیاده سازی واژگان از فایل Vocabulary Implementation from File

  • وکتورساز Vectorizer

  • راه اندازی RNN 1 RNN Setup 1

  • راه اندازی RNN 2 RNN Setup 2

  • بعدش چی What Next

ناپدید شدن گرادیان در RNN Vanishing Gradients in RNN

  • مقدمه ای بر یک ماژول RNN بهتر Introduction to a Better RNN Module

  • مقدمه ای بر گرادیان های ناپدید شده در RNN Introduction to Vanishing Gradients in RNN

  • واحد بازگشتی دردار (GRU) Gated Recurrent Unit (GRU)

  • معادلات واحد بازگشتی دروازه ای (GRU). Gated Recurrent Unit (GRU) Equations

  • حافظه بلند مدت کوتاه مدت (LSTM) Long Short Term Memory (LSTM)

  • معادلات حافظه کوتاه مدت بلند مدت (LSTM). Long Short Term Memory (LSTM) Equations

  • شبکه های عصبی بازگشتی دو طرفه Bidirectional Recurrent Neural Networks

  • مدل توجه Attention Model

  • معادله مدل توجه Attention Model Equation

TensorFlow TensorFlow

  • معرفی Introduction

  • مثال طبقه‌بندی متن TensorFlow با استفاده از RNN TensorFlow Text Classification Example using RNNs

پروژه 1: نویسنده کتاب Project 1: Book Writer

  • معرفی Introduction

  • نقشه برداری داده ها Data Mapping

  • مدل سازی معماری RNN Modelling RNN Architecture

  • مدلسازی مدل RNN در TensorFlow Modelling RNN Model in TensorFlow

  • آموزش مدل سازی مدل RNN Modelling RNN Model Training

  • مدل سازی RNN مدل تولید متن Modelling RNN Model Text Generation

  • فعالیت Activity

پروژه 2: پیش بینی قیمت سهام Project 2: Stock Price Prediction

  • بیان مسأله Problem Statement

  • مجموعه داده Dataset

  • آماده سازی داده ها Data Preparation

  • آموزش و ارزیابی مدل RNN RNN Model Training and Evaluation

  • فعالیت Activity

مطالعه بیشتر و منابع Further Reading and Resources

  • مطالعه بیشتر و منابع Further Reading and Resources

نمایش نظرات

نظری ارسال نشده است.

آموزش یادگیری عمیق: شبکه های عصبی مکرر با پایتون [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
15 h 35 m
139
Packtpub packtpub-small
08 اسفند 1399 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد
AI Sciences

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.