لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش پروژه های یادگیری ماشین با TensorFlow 2.0 [ویدئو]
Machine Learning Projects with TensorFlow 2.0 [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
TensorFlow رایجترین چارچوب در جهان برای یادگیری ماشینی و یادگیری عمیق است. TensorFlow 2.0 یک نقطه عطف بزرگ است زیرا شامل برخی تغییرات عمده است که یادگیری و استفاده از TensorFlow مانند "Eager Execution" را آسانتر میکند. از پلتفرمها و زبانهای بیشتری پشتیبانی میکند، سازگاری را بهبود میبخشد و APIهای منسوخ را حذف میکند.
این دوره شما را راهنمایی می کند تا مهارت های خود را در یادگیری ماشینی با به کارگیری عملی آنها با ساخت پروژه های یادگیری ماشینی در دنیای واقعی ارتقا دهید.
هر بخش باید پروژه خاصی را در مورد یک کار یادگیری ماشین پوشش دهد و شما یاد خواهید گرفت که چگونه آن را با استفاده از TensorFlow 2 در سیستم خود پیاده سازی کنید. تکنیک ها و الگوریتم های مختلف یادگیری ماشین را با استفاده از کتابخانه TensorFlow 2 پیاده سازی خواهید کرد. هر پروژه مهارتهای شما را آزمایش میکند، به شما کمک میکند تا چالشهایی را که میتوانید در یک سناریوی واقعی با آنها روبرو شوید، درک کرده و بر آن غلبه کنید و نکات و ترفندهایی را ارائه میکند تا به شما کمک کند کارآمدتر شوید. در طول دوره، ویژگی های جدید TensorFlow 2 مانند Eager Execution را پوشش خواهید داد. شما حداقل 3-4 پروژه را پوشش خواهید داد. همچنین برخی از وظایف مانند آموزش تقویتی و آموزش انتقال را پوشش خواهید داد.
در پایان دوره، مطمئن خواهید بود که سیستم های یادگیری ماشین خود را با TensorFlow 2 بسازید و می توانید این مهارت ارزشمند را به CV خود اضافه کنید.
فایل های کد در اینجا آپلود می شوند:
https://github.com/PacktPublishing/Machine-Learning-Projects-with-TensorFlow-2.0
با کاوش در ویژگی های جدید آن، پایه های خود را برای ساخت پروژه های TensorFlow 2.0 تقویت کنید.
مجموعه داده های تایتانیک را تجزیه و تحلیل کنید تا نتایج دلخواه را به راحتی بدست آورید
پروژه های تنسورفلو خود را به شیوه ای حرفه ای اجرا و سازماندهی کنید
از Tensorboard برای بررسی معیارهای مختلف و نظارت بر عملکرد پروژه خود استفاده کنید
تحقیق کنید و از راه حل های Kaggle دیگران نهایت استفاده را ببرید
استفاده از OpenAI Gym Environments برای اجرای تکنیک های پیشرفته یادگیری تقویتی با استفاده از TF-Agents
استفاده از آخرین تکنیکهای Transfer Learning از Tensorflow این دوره برای توسعه دهندگان، دانشمندان داده و مهندسان ML است که اکنون میخواهند مجموعه مهارتهای خود را در یادگیری ماشین با استفاده از TensorFlow با ساخت پروژههای دنیای واقعی افزایش دهند.
این دوره برای افرادی که درک اولیه از مفاهیم ML، Python و TensorFlow دارند جذاب خواهد بود.
از ویژگی جدید و شگفت انگیز TensorFlow 2 به نام "Eager Execution" استفاده کنید که یادگیری و استفاده از آن را آسان تر می کند * با ساختن پروژه های یادگیری ماشینی در دنیای واقعی مهارت های خود را ارتقا دهید * مدل های مختلف ML را بسازید، آزمایش کنید و به کار بگیرید و تکنیک های مدرن بیشتری را بیاموزید. به عنوان یادگیری تقویتی و یادگیری انتقالی
سرفصل ها و درس ها
قیمت های Airbnb Task Regression در نیویورک
Regression Task Airbnb Prices in New York
بررسی اجمالی دوره
Course Overview
راه اندازی TensorFlow 2.0
Setting Up TensorFlow 2.0
شروع کار با TensorFlow 2.0
Getting Started with TensorFlow 2.0
تجزیه و تحلیل مجموعه داده Airbnb و ایجاد یک برنامه
Analyzing the Airbnb Dataset and Making a Plan
پیاده سازی الگوریتم رگرسیون خطی ساده
Implementing a Simple Linear Regression Algorithm
پیاده سازی پرسپترون چند لایه (شبکه عصبی مصنوعی)
Implementing a Multi Layer Perceptron (Artificial Neural Network)
بهبود شبکه با توابع فعال سازی بهتر و حذف
Improving the Network with Better Activation Functions and Dropout
اضافه کردن معیارهای بیشتر برای به دست آوردن درک بهتر
Adding More Metrics to Gain a Better Understanding
قرار دادن همه اینها در یک راه حرفه ای
Putting It All Together in a Professional Way
وظیفه طبقه بندی ساخت برنامه های دنیای واقعی: چه کسی UFC بعدی را برنده خواهد شد؟
Classification Task Build Real World Apps: Who Will Win the Next UFC?
جمع آوری داده های احتمالی Kaggle
Collecting Possible Kaggle Data
تجزیه و تحلیل و برنامه ریزی مجموعه داده
Analysis and Planning of the Dataset
معرفی Google Colab و مزایای آن برای ما
Introduction to Google Colab and How It Benefits Us
راه اندازی آموزش در Google Colab
Setting Up Training on Google Colab
برخی از رویکردهای شبکه عصبی پیشرفته
Some Advanced Neural Network Approaches
معرفی یک شبکه عمیق تر
Introducing a Deeper Network
بررسی معیارها با TensorBoard
Inspecting Metrics with TensorBoard
بازرسی راه حل های موجود Kaggle
Inspecting the Existing Kaggle Solutions
وظیفه پردازش زبان طبیعی: چگونه متن خود را تولید کنیم
Natural Language Processing Task: How to Generate Our Own Text
مقدمه ای بر پردازش زبان طبیعی
Introduction to Natural Language Processing
NLP و اهمیت پیش پردازش داده ها
NLP and the Importance of Data Preprocessing
یک طبقه بندی متن ساده
A Simple Text Classifier
روش های تولید متن
Text Generation Methods
تولید متن با شبکه عصبی مکرر
Text Generation with a Recurrent Neural Network
اصلاحات با یادگیری فدرال
Refinements with Federated Learning
وظیفه یادگیری تقویتی: چگونه در Pacman بهترین شویم
Reinforcement Learning Task: How to Become Best at Pacman
مقدمه ای بر یادگیری تقویتی
Introduction to Reinforcement Learning
OpenAI Gym Environments
OpenAI Gym Environments
محیط بدنسازی Pacman که قرار است از آن استفاده کنیم
The Pacman Gym Environment That We Are Going to Use
اصول یادگیری تقویتی با TF-Agents
Reinforcement Learning Principles with TF-Agents
TF-Agents برای محیط بدنسازی Pacman ما
TF-Agents for Our Pacman Gym Environment
عواملی که قرار است از آنها استفاده کنیم
The Agents That We Are Going to Use
انتخاب بهترین رویکردها و کاربردهای دنیای واقعی
Selecting the Best Approaches and Real World Applications
وظیفه یادگیری انتقال: چگونه یک طبقه بندی کننده تصویر قدرتمند بسازیم
Transfer Learning Task: How to Build a Powerful Image Classifier
مقدمه ای بر یادگیری انتقالی در تنسورفلو 2
Introduction to Transfer Learning in TensorFlow 2
انتخاب یک مجموعه داده Kaggle برای کار
Picking a Kaggle Dataset to Work On
انتخاب یک مدل پایه مناسب برای آموزش انتقال با مجموعه داده ما
Picking a Base Model Suitable for Transfer Learning with Our Dataset
پیاده سازی رویکرد آموزش انتقالی ما
Implementing our Transfer Learning approach
چقدر خوب کار می کنیم و آیا می توانیم بهتر انجام دهیم
How Well Are We Doing and Can We Do Better
نتیجه گیری و کار آینده
Conclusions and Future Work
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.
ولاد یک مدرس دانشگاه با مدرک دکترا است. در یادگیری ماشین و مهندس نرم افزار آزاد. او بیش از 10 سال تجربه تدریس علوم کامپیوتر در نقش های مختلف دارد: معلم مدرسه، معلم خصوصی، مربی کارآموزی، TA دانشگاه، و مدرس. در طول سالها، Vlad با اکثر فناوریهای پیشرفته در زمینههایی مانند توسعه frontend، طراحی و مدیریت پایگاه داده، برنامهنویسی Backend و یادگیری ماشین کار کرده است.
نمایش نظرات