آموزش عمیق PyTorch در 7 روز [ویدئو]

PyTorch Deep Learning in 7 Days [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: PyTorch آخرین چارچوب فیس‌بوک مبتنی بر پایتون برای یادگیری عمیق است. این توانایی ایجاد شبکه‌های عصبی پویا روی CPU و GPU را دارد که هر دو با کد بسیار کمتری در مقایسه با سایر چارچوب‌های رقیب هستند. PyTorch دارای یک رابط منحصر به فرد است که یادگیری آن را مانند NumPy آسان می کند. این دوره 7 روزه برای کسانی است که برای شروع با PyTorch عجله دارند. شما با متداول ترین مدل ها، تکنیک ها و الگوریتم های یادگیری عمیق از طریق کد PyTorch آشنا خواهید شد. این دوره تلاشی برای شکستن این افسانه است که یادگیری عمیق پیچیده است و به شما نشان می دهد که با انتخاب صحیح ابزارها همراه با توضیح ساده و شهودی مفاهیم اصلی، یادگیری عمیق به اندازه سایر فناوری های توسعه برنامه کاربردی موجود است. این سفری است از غواصی عمیق در اصول تا آشنایی با مفاهیم پیشرفته مانند آموزش انتقال، پردازش زبان طبیعی و اجرای شبکه‌های متخاصم مولد. در پایان دوره، شما قادر خواهید بود برنامه های Deep Learning را با PyTorch بسازید. تمامی کدها و فایل های پشتیبانی این دوره در GitHub در آدرس زیر موجود است: https://github.com/PacktPublishing/PyTorch-Deep-Learning-in-7-Days این دوره از Python 3.7 و PyTorch 1.1 استفاده می کند در حالی که آخرین نسخه موجود نیست، اما محتوای مرتبط و آموزنده را برای کاربران قدیمی PyTorch ارائه می دهد. با متداول ترین مفاهیم PyTorch، ماژول ها و API از جمله عملیات Tensor، نمایش داده ها و دستکاری راحت باشید. کار با مدل‌ها و معماری‌های Deep Learning شامل لایه‌ها، فعال‌سازی‌ها، توابع از دست دادن، گرادیان‌ها، قانون زنجیره، پاس‌های رو به جلو و عقب و بهینه‌سازها استفاده از معماری های یادگیری عمیق برای حل مشکلات یادگیری ماشین برای مجموعه داده های ساختاریافته، بینایی کامپیوتر و پردازش زبان طبیعی از مفهوم آموزش انتقالی با استفاده از مدل های آموزش عمیق از پیش آموزش دیده برای مشکلات خود استفاده کنید برای حل مشکلات دنیای واقعی مانند تجزیه و تحلیل احساسات، آخرین هنر را در پردازش زبان طبیعی پیاده کنید پیاده سازی یک شبکه ساده Generative Adversarial برای تولید تصاویر فانتزی پس از آموزش بر روی مجموعه داده های تصویری بزرگ این دوره برای متخصصان توسعه نرم افزار و علاقه مندان به یادگیری ماشینی است، که هیاهوی یادگیری عمیق را شنیده اند و می خواهند آن را یاد بگیرند تا در حوزه کاری خود مرتبط بمانند. دانش اولیه مفاهیم یادگیری ماشین و برنامه نویسی پایتون مورد نیاز است. راهنمای سیستماتیک در یادگیری عمیق برای کمک به شما در ساخت برنامه های هوشمند پوشش مفاهیم اصلی و معماری سیستم های یادگیری عمیق بدون گرفتار شدن در نمادهای ریاضی حل مشکلات یادگیری ماشین با استفاده از معماری های یادگیری عمیق

سرفصل ها و درس ها

شروع کار با PyTorch Getting started with PyTorch

  • نمای کلی دوره The Course overview

  • معرفی سریع PyTorch Quick Intro to PyTorch

  • نصب و راه اندازی نوت بوک Jupyter Installation and Jupyter Notebook Setup

  • تانسورها و عملیات پایه تانسور Tensors and Basic Tensor Operations

  • عملیات تانسور پیشرفته Advanced Tensor Operations

  • بارگیری و ذخیره داده ها Loading and Saving Data

  • وظیفه Assignment

ساخت شبکه عصبی Building a Neural Network

  • مقدمه ای بر شبکه های عصبی Introduction to Neural Networks

  • ایجاد یک شبکه عصبی با PyTorch Sequential Creating a Neural Network with PyTorch Sequential

  • فعال‌سازی‌ها، توابع از دست دادن، و گرادیان‌ها Activations, Loss Functions, and Gradients

  • پاس های جلو و عقب Forward and Backward Passes

  • ساخت شبکه با nn.Module Building a Network with nn.Module

  • وظیفه Assignment

رگرسیون و طبقه بندی Regression and Classification

  • بارگذاری داده های ساخت یافته برای طبقه بندی Loading Structured Data for Classification

  • پیش پردازش داده ها Preprocessing Data

  • طبقه بندی، دقت و ماتریس سردرگمی Classification, Accuracy, and the Confusion Matrix

  • بارگذاری داده های ساختاریافته برای رگرسیون Loading Structured Data for Regression

  • شبکه های عصبی برای رگرسیون Neural Networks for Regression

  • وظیفه Assignment

پیاده سازی شبکه های عصبی کانولوشنال Implementing Convolutional Neural Networks

  • شبکه های کانولوشن برای تجزیه و تحلیل تصویر Convolutional Networks for Image Analysis

  • مفاهیم کانولوشن: فیلترها، گام‌ها، بالشتک‌ها و ترکیب Convolutional Concepts: Filters, Strides, Padding, and Pooling

  • پیاده سازی شبکه کانولوشن Implementing a Convolutional Network

  • تجسم لایه های شبکه کانولوشن Visualizing Convolutional Network Layers

  • پیاده سازی یک شبکه کانولوشن عمیق End-to-End Implementing an End-To-End Deep Convolutional Network

  • وظیفه Assignment

پیاده سازی آموزش انتقال Implementing Transfer Learning

  • انتقال یادگیری و مدل های از پیش ساخته شده Transfer Learning and Prebuilt Models

  • یادگیری عمیق با VGG Deep Learning with VGG

  • انتقال یادگیری با VGG Transfer Learning with VGG

  • انتقال یادگیری با ResNet Transfer Learning with ResNet

  • وظیفه Assignment

LSTM و جاسازی برای مدل های زبان طبیعی LSTM and Embedding for Natural Language Models

  • شبکه های تکراری، RNN، و LSTM، GRU Recurrent Networks, RNN, and LSTM, GRU

  • مدلسازی متن با کیسه کلمات Text Modeling with Bag-of-Words

  • تجزیه و تحلیل احساسات با کیسه کلمات Sentiment Analysis with Bag-of-Words

  • تجزیه و تحلیل احساسات با جاسازی کلمه Sentiment Analysis with Word Embeddings

  • وظیفه Assignment

شبکه های متخاصم مولد عمیق Deep Convolutional Generative Adversarial Networks

  • مقدمه ای بر GAN و DCGAN Introduction to GANs and DCGANs

  • پیاده سازی مدل DCGAN با PyTorch Implementing DCGAN Model with PyTorch

  • آموزش و ارزیابی DCGAN در مجموعه داده تصویر Training and Evaluating DCGAN on an Image Dataset

  • بهبود عملکرد Improving Performance

  • وظیفه Assignment

نمایش نظرات

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.

آموزش عمیق PyTorch در 7 روز [ویدئو]
جزییات دوره
2 h 9 m
40
Packtpub Packtpub
(آخرین آپدیت)
1
3 از 5
ندارد
دارد
دارد
Will Ballard
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Will Ballard Will Ballard

ویل بالارد، مدیر ارشد فناوری GLG، مسئول مهندسی و فناوری اطلاعات است. او همچنین مسئول طراحی و بهره برداری از مراکز داده بزرگ بود که به اجرای خدمات سایت برای مشتریان از جمله Gannett، Hearst Magazines، NFL، NPR، The Washington Post و Whole Foods کمک می کرد. او همچنین نقش های رهبری در توسعه نرم افزار در NetSolve (در حال حاضر Cisco)، NetSpend، و Works (در حال حاضر Bank of America) داشته است. https://www.linkedin.com/in/will-ballard-b09115/