آموزش بوت‌کمپ یادگیری عمیق: شبکه‌های عصبی با پایتون، پای‌تورچ - آخرین آپدیت

سرفصل ها و درس ها

Deep Learning:Deep Neural Network for Beginners Using Python

• Promo & Highlights-تبلیغات و نکات برجسته Promo & Highlights

• Introduction: Introduction to Instructor and Aisciences-مقدمه: معرفی مدرس و Aisciences Introduction: Introduction to Instructor and Aisciences

• Links for the Course's Materials and Codes-لینک‌های مربوط به مواد و کدهای دوره Links for the Course's Materials and Codes

• Basics of Deep Learning: Problem to Solve Part 1-مبانی یادگیری عمیق: مسئله‌ای برای حل کردن قسمت 1 Basics of Deep Learning: Problem to Solve Part 1

• Basics of Deep Learning: Problem to Solve Part 2-مبانی یادگیری عمیق: مسئله‌ای برای حل کردن قسمت 2 Basics of Deep Learning: Problem to Solve Part 2

• Basics of Deep Learning: Problem to Solve Part 3-مبانی یادگیری عمیق: مسئله‌ای برای حل کردن قسمت 3 Basics of Deep Learning: Problem to Solve Part 3

• Basics of Deep Learning: Linear Equation-مبانی یادگیری عمیق: معادله خطی Basics of Deep Learning: Linear Equation

• Basics of Deep Learning: Linear Equation Vectorized-مبانی یادگیری عمیق: معادله خطی برداری شده Basics of Deep Learning: Linear Equation Vectorized

• Basics of Deep Learning: 3D Feature Space-مبانی یادگیری عمیق: فضای ویژگی سه بعدی Basics of Deep Learning: 3D Feature Space

• Basics of Deep Learning: N Dimensional Space-مبانی یادگیری عمیق: فضای اِن بعدی Basics of Deep Learning: N Dimensional Space

• Basics of Deep Learning: Theory of Perceptron-مبانی یادگیری عمیق: نظریه پرسِپترون (Perceptron) Basics of Deep Learning: Theory of Perceptron

• Basics of Deep Learning: Implementing Basic Perceptron-مبانی یادگیری عمیق: پیاده‌سازی پرسِپترون (Perceptron) پایه Basics of Deep Learning: Implementing Basic Perceptron

• Basics of Deep Learning: Logical Gates for Perceptrons-مبانی یادگیری عمیق: گیت‌های منطقی برای پرسِپترون‌ها (Perceptrons) Basics of Deep Learning: Logical Gates for Perceptrons

• Basics of Deep Learning: Perceptron Training Part 1-مبانی یادگیری عمیق: آموزش پرسِپترون (Perceptron) قسمت 1 Basics of Deep Learning: Perceptron Training Part 1

• Basics of Deep Learning: Perceptron Training Part 2-مبانی یادگیری عمیق: آموزش پرسِپترون (Perceptron) قسمت 2 Basics of Deep Learning: Perceptron Training Part 2

• Basics of Deep Learning: Learning Rate-مبانی یادگیری عمیق: نرخ یادگیری Basics of Deep Learning: Learning Rate

• Basics of Deep Learning: Perceptron Training Part 3-مبانی یادگیری عمیق: آموزش پرسِپترون (Perceptron) قسمت 3 Basics of Deep Learning: Perceptron Training Part 3

• Basics of Deep Learning: Perceptron Algorithm-مبانی یادگیری عمیق: الگوریتم پرسِپترون (Perceptron) Basics of Deep Learning: Perceptron Algorithm

• Basics of Deep Learning: Coading Perceptron Algo (Data Reading & Visualization)-مبانی یادگیری عمیق: کدنویسی الگوریتم پرسِپترون (Perceptron) (خواندن داده و تجسم) Basics of Deep Learning: Coading Perceptron Algo (Data Reading & Visualization)

• Basics of Deep Learning: Coading Perceptron Algo (Perceptron Step)-مبانی یادگیری عمیق: کدنویسی الگوریتم پرسِپترون (Perceptron) (گام پرسِپترون (Perceptron)) Basics of Deep Learning: Coading Perceptron Algo (Perceptron Step)

• Basics of Deep Learning: Coading Perceptron Algo (Training Perceptron)-مبانی یادگیری عمیق: کدنویسی الگوریتم پرسِپترون (Perceptron) (آموزش پرسِپترون (Perceptron)) Basics of Deep Learning: Coading Perceptron Algo (Training Perceptron)

• Basics of Deep Learning: Coading Perceptron Algo (Visualizing the Results)-مبانی یادگیری عمیق: کدنویسی الگوریتم پرسِپترون (Perceptron) (تجسم نتایج) Basics of Deep Learning: Coading Perceptron Algo (Visualizing the Results)

• Basics of Deep Learning: Problem with Linear Solutions-مبانی یادگیری عمیق: مشکل با راه حل‌های خطی Basics of Deep Learning: Problem with Linear Solutions

• Basics of Deep Learning: Solution to Problem-مبانی یادگیری عمیق: راه حل مسئله Basics of Deep Learning: Solution to Problem

• Basics of Deep Learning: Error Functions-مبانی یادگیری عمیق: توابع خطا Basics of Deep Learning: Error Functions

• Basics of Deep Learning: Discrete vs Continuous Error Function-مبانی یادگیری عمیق: تابع خطای گسسته در مقابل پیوسته Basics of Deep Learning: Discrete vs Continuous Error Function

• Basics of Deep Learning: Sigmoid Function-مبانی یادگیری عمیق: تابع سیگموئید (Sigmoid) Basics of Deep Learning: Sigmoid Function

• Basics of Deep Learning: Multi-Class Problem-مبانی یادگیری عمیق: مسئله چند کلاسه Basics of Deep Learning: Multi-Class Problem

• Basics of Deep Learning: Problem of Negative Scores-مبانی یادگیری عمیق: مشکل نمرات منفی Basics of Deep Learning: Problem of Negative Scores

• Basics of Deep Learning: Need of Softmax-مبانی یادگیری عمیق: نیاز به Softmax Basics of Deep Learning: Need of Softmax

• Basics of Deep Learning: Coding Softmax-مبانی یادگیری عمیق: کدنویسی Softmax Basics of Deep Learning: Coding Softmax

• Basics of Deep Learning: One Hot Encoding-مبانی یادگیری عمیق: One Hot Encoding Basics of Deep Learning: One Hot Encoding

• Basics of Deep Learning: Maximum Likelihood Part 1-مبانی یادگیری عمیق: درست‌نمایی ماکزیمم قسمت 1 Basics of Deep Learning: Maximum Likelihood Part 1

• Basics of Deep Learning: Maximum Likelihood Part 2-مبانی یادگیری عمیق: درست‌نمایی ماکزیمم قسمت 2 Basics of Deep Learning: Maximum Likelihood Part 2

• Basics of Deep Learning: Cross Entropy-مبانی یادگیری عمیق: Cross Entropy Basics of Deep Learning: Cross Entropy

• Basics of Deep Learning: Cross Entropy Formulation-مبانی یادگیری عمیق: فرمول‌بندی Cross Entropy Basics of Deep Learning: Cross Entropy Formulation

• Basics of Deep Learning: Multi Class Cross Entropy-مبانی یادگیری عمیق: Cross Entropy چند کلاسه Basics of Deep Learning: Multi Class Cross Entropy

• Basics of Deep Learning: Cross Entropy Implementation-مبانی یادگیری عمیق: پیاده‌سازی Cross Entropy Basics of Deep Learning: Cross Entropy Implementation

• Basics of Deep Learning: Sigmoid Function Implementation-مبانی یادگیری عمیق: پیاده‌سازی تابع سیگموئید (Sigmoid) Basics of Deep Learning: Sigmoid Function Implementation

• Basics of Deep Learning: Output Function Implementation-مبانی یادگیری عمیق: پیاده‌سازی تابع خروجی Basics of Deep Learning: Output Function Implementation

• Deep Learning: Introduction to Gradient Decent-یادگیری عمیق: مقدمه ای بر Gradient Descent Deep Learning: Introduction to Gradient Decent

• Deep Learning: Convex Functions-یادگیری عمیق: توابع محدب Deep Learning: Convex Functions

• Deep Learning: Use of Derivatives-یادگیری عمیق: استفاده از مشتقات Deep Learning: Use of Derivatives

• Deep Learning: How Gradient Decent Works-یادگیری عمیق: Gradient Descent چگونه کار می‌کند Deep Learning: How Gradient Decent Works

• Deep Learning: Gradient Step-یادگیری عمیق: گام گرادیان Deep Learning: Gradient Step

• Deep Learning: Logistic Regression Algorithm-یادگیری عمیق: الگوریتم رگرسیون لجستیک Deep Learning: Logistic Regression Algorithm

• Deep Learning: Data Visualization and Reading-یادگیری عمیق: تجسم و خواندن داده Deep Learning: Data Visualization and Reading

• Deep Learning: Updating Weights in Python-یادگیری عمیق: به‌روزرسانی وزن‌ها در پایتون Deep Learning: Updating Weights in Python

• Deep Learning: Implementing Logistic Regression-یادگیری عمیق: پیاده‌سازی رگرسیون لجستیک Deep Learning: Implementing Logistic Regression

• Deep Learning: Visualization and Results-یادگیری عمیق: تجسم و نتایج Deep Learning: Visualization and Results

• Deep Learning: Gradient Decent vs Perceptron-یادگیری عمیق: Gradient Descent در مقابل پرسِپترون (Perceptron) Deep Learning: Gradient Decent vs Perceptron

• Deep Learning: Linear to Non Linear Boundaries-یادگیری عمیق: مرزهای خطی به غیر خطی Deep Learning: Linear to Non Linear Boundaries

• Deep Learning: Combining Probabilities-یادگیری عمیق: ترکیب احتمالات Deep Learning: Combining Probabilities

• Deep Learning: Weighted Sums-یادگیری عمیق: مجموع وزنی Deep Learning: Weighted Sums

• Deep Learning: Neural Network Architecture-یادگیری عمیق: معماری شبکه عصبی Deep Learning: Neural Network Architecture

• Deep Learning: Layers and DEEP Networks-یادگیری عمیق: لایه‌ها و شبکه‌های عمیق Deep Learning: Layers and DEEP Networks

• Deep Learning: Multi Class Classification-یادگیری عمیق: دسته‌بندی چند کلاسه Deep Learning: Multi Class Classification

• Deep Learning: Basics of Feed Forward-یادگیری عمیق: مبانی Feed Forward Deep Learning: Basics of Feed Forward

• Deep Learning: Feed Forward for DEEP Net-یادگیری عمیق: Feed Forward برای شبکه عمیق Deep Learning: Feed Forward for DEEP Net

• Deep Learning: Deep Learning Algo Overview-یادگیری عمیق: مروری بر الگوریتم یادگیری عمیق Deep Learning: Deep Learning Algo Overview

• Deep Learning: Basics of Back Propagation-یادگیری عمیق: مبانی Back Propagation Deep Learning: Basics of Back Propagation

• Deep Learning: Updating Weights-یادگیری عمیق: به‌روزرسانی وزن‌ها Deep Learning: Updating Weights

• Deep Learning: Chain Rule for BackPropagation-یادگیری عمیق: قاعده زنجیره‌ای برای BackPropagation Deep Learning: Chain Rule for BackPropagation

• Deep Learning: Sigma Prime-یادگیری عمیق: سیگما پرایم Deep Learning: Sigma Prime

• Deep Learning: Data Analysis NN Implementation-یادگیری عمیق: پیاده‌سازی شبکه عصبی برای تحلیل داده Deep Learning: Data Analysis NN Implementation

• Deep Learning: One Hot Encoding (NN Implementation)-یادگیری عمیق: One Hot Encoding (پیاده‌سازی شبکه عصبی) Deep Learning: One Hot Encoding (NN Implementation)

• Deep Learning: Scaling the Data (NN Implementation)-یادگیری عمیق: مقیاس‌بندی داده (پیاده‌سازی شبکه عصبی) Deep Learning: Scaling the Data (NN Implementation)

• Deep Learning: Splitting the Data (NN Implementation)-یادگیری عمیق: تقسیم داده (پیاده‌سازی شبکه عصبی) Deep Learning: Splitting the Data (NN Implementation)

• Deep Learning: Helper Functions (NN Implementation)-یادگیری عمیق: توابع کمکی (پیاده‌سازی شبکه عصبی) Deep Learning: Helper Functions (NN Implementation)

• Deep Learning: Training (NN Implementation)-یادگیری عمیق: آموزش (پیاده‌سازی شبکه عصبی) Deep Learning: Training (NN Implementation)

• Deep Learning: Testing (NN Implementation)-یادگیری عمیق: تست (پیاده‌سازی شبکه عصبی) Deep Learning: Testing (NN Implementation)

• Optimizations: Underfitting vs Overfitting-بهینه‌سازی‌ها: Underfitting در مقابل Overfitting Optimizations: Underfitting vs Overfitting

• Optimizations: Early Stopping-بهینه‌سازی‌ها: Early Stopping Optimizations: Early Stopping

• Optimizations: Quiz-بهینه‌سازی‌ها: کوئیز Optimizations: Quiz

• Optimizations: Solution & Regularization-بهینه‌سازی‌ها: راه حل و Regularization Optimizations: Solution & Regularization

• Optimizations: L1 & L2 Regularization-بهینه‌سازی‌ها: Regularization L1 و L2 Optimizations: L1 & L2 Regularization

• Optimizations: Dropout-بهینه‌سازی‌ها: Dropout Optimizations: Dropout

• Optimizations: Local Minima Problem-بهینه‌سازی‌ها: مسئله کمینه‌های محلی Optimizations: Local Minima Problem

• Optimizations: Random Restart Solution-بهینه‌سازی‌ها: راه حل Random Restart Optimizations: Random Restart Solution

• Optimizations: Vanishing Gradient Problem-بهینه‌سازی‌ها: مسئله Vanishing Gradient Optimizations: Vanishing Gradient Problem

• Optimizations: Other Activation Functions-بهینه‌سازی‌ها: توابع فعال‌سازی دیگر Optimizations: Other Activation Functions

• Final Project: Final Project Part 1-پروژه نهایی: پروژه نهایی قسمت 1 Final Project: Final Project Part 1

• Final Project: Final Project Part 2-پروژه نهایی: پروژه نهایی قسمت 2 Final Project: Final Project Part 2

• Final Project: Final Project Part 3-پروژه نهایی: پروژه نهایی قسمت 3 Final Project: Final Project Part 3

• Final Project: Final Project Part 4-پروژه نهایی: پروژه نهایی قسمت 4 Final Project: Final Project Part 4

• Final Project: Final Project Part 5-پروژه نهایی: پروژه نهایی قسمت 5 Final Project: Final Project Part 5

PyTorch Power: From Zero to Deep Learning Hero - PyTorch-قدرت PyTorch: از صفر تا قهرمان یادگیری عمیق - PyTorch PyTorch Power: From Zero to Deep Learning Hero - PyTorch

• Links for the Course's Materials and Codes-لینک‌های مربوط به مواد و کدهای دوره Links for the Course's Materials and Codes

• Introduction: Module Content-مقدمه: محتوای ماژول Introduction: Module Content

• Introduction: Benefits of Framework-مقدمه: مزایای فریم‌ورک Introduction: Benefits of Framework

• Introduction: Installations and Setups-مقدمه: نصب‌ها و راه‌اندازی‌ها Introduction: Installations and Setups

• Tensor: Introduction to Tensor-تنسور: مقدمه ای بر تنسور Tensor: Introduction to Tensor

• Tensor: List vs Array vs Tensor-تنسور: لیست در مقابل آرایه در مقابل تنسور Tensor: List vs Array vs Tensor

• Tensor: Arithmetic Operations-تنسور: عملیات حسابی Tensor: Arithmetic Operations

• Tensor: Tensor Operations-تنسور: عملیات تنسور Tensor: Tensor Operations

• Tensor: Auto-Gradiants-تنسور: Auto-Gradiants Tensor: Auto-Gradiants

• Tensor: Activity Solution-تنسور: راه حل فعالیت Tensor: Activity Solution

• Tensor: Detaching Gradients-تنسور: جدا کردن گرادیان‌ها Tensor: Detaching Gradients

• Tensor: Loading GPU-تنسور: بارگذاری GPU Tensor: Loading GPU

• Which of the following is true about tensors in PyTorch?-کدام یک از موارد زیر در مورد تنسورها در PyTorch صحیح است؟ Which of the following is true about tensors in PyTorch?

• Which operation would you use to change the shape of a tensor without changing its data?-از کدام عملیات برای تغییر شکل یک تنسور بدون تغییر داده‌های آن استفاده می‌کنید؟ Which operation would you use to change the shape of a tensor without changing its data?

• How do you check if a tensor is on a GPU?-چگونه بررسی می‌کنید که آیا یک تنسور روی GPU است؟ How do you check if a tensor is on a GPU?

• What function is used to perform element-wise addition of two tensors?-از چه تابعی برای انجام جمع عنصری دو تنسور استفاده می‌شود؟ What function is used to perform element-wise addition of two tensors?

• What does the .backward() method do in PyTorch?-متد .backward() در PyTorch چه کاری انجام می‌دهد؟ What does the .backward() method do in PyTorch?

• Which function would you use to create a tensor with random values?-از کدام تابع برای ایجاد یک تنسور با مقادیر تصادفی استفاده می‌کنید؟ Which function would you use to create a tensor with random values?

• NN with Tensor: Introduction to Module-شبکه عصبی با تنسور: مقدمه ای بر ماژول NN with Tensor: Introduction to Module

• NN with Tensor: Basic NN part 1-شبکه عصبی با تنسور: شبکه عصبی پایه قسمت 1 NN with Tensor: Basic NN part 1

• NN with Tensor: Basic NN part 2-شبکه عصبی با تنسور: شبکه عصبی پایه قسمت 2 NN with Tensor: Basic NN part 2

• NN with Tensor: Loss Functions-شبکه عصبی با تنسور: توابع Loss NN with Tensor: Loss Functions

• NN with Tensor: Activation Functions & Hidden Layers-شبکه عصبی با تنسور: توابع فعال‌سازی و لایه‌های پنهان NN with Tensor: Activation Functions & Hidden Layers

• NN with Tensor: Optimizers-شبکه عصبی با تنسور: Optimizers NN with Tensor: Optimizers

• NN with Tensor: Data Loader & Dataset-شبکه عصبی با تنسور: Data Loader و Dataset NN with Tensor: Data Loader & Dataset

• NN with Tensor: Activity-شبکه عصبی با تنسور: فعالیت NN with Tensor: Activity

• NN with Tensor: Activity Solution-شبکه عصبی با تنسور: راه حل فعالیت NN with Tensor: Activity Solution

• NN with Tensor: Formating the Output-شبکه عصبی با تنسور: فرمت‌بندی خروجی NN with Tensor: Formating the Output

• NN with Tensor: Graph for Loss-شبکه عصبی با تنسور: نمودار برای Loss NN with Tensor: Graph for Loss

• What is the purpose of an activation function in a neural network?-هدف از تابع فعال‌سازی در یک شبکه عصبی چیست؟ What is the purpose of an activation function in a neural network?

• Which of the following is a common loss function for classification tasks?-کدام یک از موارد زیر یک تابع Loss رایج برای وظایف دسته‌بندی است؟ Which of the following is a common loss function for classification tasks?

• What does the optimizer do in the training process of a neural network?-Optimizer در فرایند آموزش یک شبکه عصبی چه کاری انجام می‌دهد؟ What does the optimizer do in the training process of a neural network?

• Which activation function outputs values between 0 and 1?-کدام تابع فعال‌سازی مقادیری بین 0 و 1 را خروجی می‌دهد؟ Which activation function outputs values between 0 and 1?

• What is the role of a DataLoader in PyTorch?-نقش DataLoader در PyTorch چیست؟ What is the role of a DataLoader in PyTorch?

• What does nn.Module represent in PyTorch?-nn.Module در PyTorch چه چیزی را نشان می‌دهد؟ What does nn.Module represent in PyTorch?

• Which optimizer is known for using adaptive learning rates?-کدام Optimizer به دلیل استفاده از نرخ‌های یادگیری تطبیقی شناخته شده است؟ Which optimizer is known for using adaptive learning rates?

• What does the .zero_grad() method do?-متد .zero_grad() چه کاری انجام می‌دهد؟ What does the .zero_grad() method do?

• CNN: Introduction to Module-شبکه عصبی کانولوشنال: مقدمه ای بر ماژول CNN: Introduction to Module

• CNN: CNN vs NN-شبکه عصبی کانولوشنال: شبکه عصبی کانولوشنال در مقابل شبکه عصبی CNN: CNN vs NN

• CNN: Introduction to Convolution-شبکه عصبی کانولوشنال: مقدمه ای بر کانولوشن CNN: Introduction to Convolution

• CNN: Convolution Animations-شبکه عصبی کانولوشنال: انیمیشن‌های کانولوشن CNN: Convolution Animations

• CNN: Convolution using Pytorch-شبکه عصبی کانولوشنال: کانولوشن با استفاده از Pytorch CNN: Convolution using Pytorch

• CNN: Introduction to Pooling-شبکه عصبی کانولوشنال: مقدمه ای بر Pooling CNN: Introduction to Pooling

• CNN: Pooling using Numpy-شبکه عصبی کانولوشنال: Pooling با استفاده از Numpy CNN: Pooling using Numpy

• CNN: Pooling in Pytorch-شبکه عصبی کانولوشنال: Pooling در Pytorch CNN: Pooling in Pytorch

• CNN: Introduction to Project-شبکه عصبی کانولوشنال: مقدمه ای بر پروژه CNN: Introduction to Project

• CNN: Project (Data Loading)-شبکه عصبی کانولوشنال: پروژه (بارگذاری داده) CNN: Project (Data Loading)

• CNN: Project (Transforms)-شبکه عصبی کانولوشنال: پروژه (Transforms) CNN: Project (Transforms)

• CNN: Project (DataLoaders)-شبکه عصبی کانولوشنال: پروژه (DataLoaders) CNN: Project (DataLoaders)

• CNN: Project (CNN Architect)-شبکه عصبی کانولوشنال: پروژه (معماری CNN) CNN: Project (CNN Architect)

• CNN: Project (Forward Propagation)-شبکه عصبی کانولوشنال: پروژه (انتشار رو به جلو) CNN: Project (Forward Propagation)

• CNN: Project (Training CNN)-شبکه عصبی کانولوشنال: پروژه (آموزش CNN) CNN: Project (Training CNN)

• CNN: Project (Analyzing Model Output)-شبکه عصبی کانولوشنال: پروژه (تحلیل خروجی مدل) CNN: Project (Analyzing Model Output)

• CNN: Project (Making Predictions)-شبکه عصبی کانولوشنال: پروژه (پیش‌بینی) CNN: Project (Making Predictions)

• What does CNN stand for?-CNN مخفف چیست؟ What does CNN stand for?

• What is a common use case for pooling layers in CNNs?-یک مورد استفاده رایج برای لایه‌های pooling در CNNها چیست؟ What is a common use case for pooling layers in CNNs?

• Which function is commonly used to perform max pooling in PyTorch?-کدام تابع معمولاً برای انجام max pooling در PyTorch استفاده می‌شود؟ Which function is commonly used to perform max pooling in PyTorch?

• How do you define a convolutional layer in PyTorch?-چگونه یک لایه کانولوشنال را در PyTorch تعریف می‌کنید؟ How do you define a convolutional layer in PyTorch?

• What is the role of the fully connected layer in a CNN?-نقش لایه fully connected در یک CNN چیست؟ What is the role of the fully connected layer in a CNN?

• What is the final project in this course?-پروژه نهایی در این دوره چیست؟ What is the final project in this course?

• What technique is used to handle overfitting in CNNs?-از چه تکنیکی برای رسیدگی به overfitting در CNNها استفاده می‌شود؟ What technique is used to handle overfitting in CNNs?

• How is a CNN different from a traditional neural network?-CNN چگونه با یک شبکه عصبی سنتی متفاوت است؟ How is a CNN different from a traditional neural network?

TensorFlow Fundamentals: From Basics to Brilliant AI Project-مبانی TensorFlow: از مبانی تا پروژه هوش مصنوعی درخشان TensorFlow Fundamentals: From Basics to Brilliant AI Project

• Links for the Course's Materials and Codes-لینک‌های مربوط به مواد و کدهای دوره Links for the Course's Materials and Codes

• Introduction to TensorFlow: Module Introduction-معرفی TensorFlow: معرفی ماژول Introduction to TensorFlow: Module Introduction

• Introduction to TensorFlow: TensorFlow Definition and Properties-معرفی TensorFlow: تعریف و ویژگی‌های TensorFlow Introduction to TensorFlow: TensorFlow Definition and Properties

• Introduction to TensorFlow: Tensor Types and Tesnor Board-معرفی TensorFlow: انواع تنسور و Tensor Board Introduction to TensorFlow: Tensor Types and Tesnor Board

• Introduction to TensorFlow: How to use TensorFlow-معرفی TensorFlow: نحوه استفاده از TensorFlow Introduction to TensorFlow: How to use TensorFlow

• Introduction to TensorFlow: Google Colab-معرفی TensorFlow: Google Colab Introduction to TensorFlow: Google Colab

• Introduction to TensorFlow: Exercise-معرفی TensorFlow: تمرین Introduction to TensorFlow: Exercise

• Introduction to TensorFlow: Exercise Solution-معرفی TensorFlow: راه حل تمرین Introduction to TensorFlow: Exercise Solution

• Introduction to TensorFlow: Quiz-معرفی TensorFlow: کوئیز Introduction to TensorFlow: Quiz

• Introduction to TensorFlow: Quiz Solution-معرفی TensorFlow: راه حل کوئیز Introduction to TensorFlow: Quiz Solution

• What is TensorFlow?-TensorFlow چیست؟ What is TensorFlow?

• What is Tensorboard?-Tensorboard چیست؟ What is Tensorboard?

• What is the purpose of TensorFlow Serving?-هدف از TensorFlow Serving چیست؟ What is the purpose of TensorFlow Serving?

• What is a Tensor in TensorFlow?-تنسور در TensorFlow چیست؟ What is a Tensor in TensorFlow?

• How do you run a TensorFlow operation in a session?-چگونه یک عملیات TensorFlow را در یک session اجرا می‌کنید؟ How do you run a TensorFlow operation in a session?

• Which of the following statements about tf.SparseTensor is true?-کدام یک از گزاره‌های زیر در مورد tf.SparseTensor صحیح است؟ Which of the following statements about tf.SparseTensor is true?

• Which of the Following Statements is True about tf.placeholder?-کدام یک از گزاره‌های زیر در مورد tf.placeholder صحیح است؟ Which of the Following Statements is True about tf.placeholder?

• Which of the Following is NOT a Valid Data Type in TensorFlow?-کدام یک از موارد زیر یک نوع داده معتبر در TensorFlow نیست؟ Which of the Following is NOT a Valid Data Type in TensorFlow?

• Which of the Following Statements is True about TensorFlow?-کدام یک از گزاره‌های زیر در مورد TensorFlow صحیح است؟ Which of the Following Statements is True about TensorFlow?

• Which of the Following Components of a TensorFlow Tensor is an Optional Label that can be used to Identify the Tensor?-کدام یک از اجزای یک تنسور TensorFlow یک برچسب اختیاری است که می‌تواند برای شناسایی تنسور استفاده شود؟ Which of the Following Components of a TensorFlow Tensor is an Optional Label that can be used to Identify the Tensor?

• What is Google Colab?-Google Colab چیست؟ What is Google Colab?

• What is the Purpose of Importing TensorFlow as tf in a Python Script?-هدف از وارد کردن TensorFlow به عنوان tf در یک اسکریپت پایتون چیست؟ What is the Purpose of Importing TensorFlow as tf in a Python Script?

• Building your first deep learning Project: Module Introduction-ساخت اولین پروژه یادگیری عمیق شما: معرفی ماژول Building your first deep learning Project: Module Introduction

• Building your first deep learning Project: ANNs-ساخت اولین پروژه یادگیری عمیق شما: ANNها Building your first deep learning Project: ANNs

• Building your first deep learning Project: TensorFlow Playground-ساخت اولین پروژه یادگیری عمیق شما: TensorFlow Playground Building your first deep learning Project: TensorFlow Playground

• Building your first deep learning Project: Load TF and Data-ساخت اولین پروژه یادگیری عمیق شما: بارگذاری TF و داده Building your first deep learning Project: Load TF and Data

• Building your first deep learning Project: Model Training and Evaluation-ساخت اولین پروژه یادگیری عمیق شما: آموزش و ارزیابی مدل Building your first deep learning Project: Model Training and Evaluation

• Building your first deep learning Project: Project-ساخت اولین پروژه یادگیری عمیق شما: پروژه Building your first deep learning Project: Project

• Building your first deep learning Project: Project Implementation-ساخت اولین پروژه یادگیری عمیق شما: پیاده‌سازی پروژه Building your first deep learning Project: Project Implementation

• Building your first deep learning Project: Quiz-ساخت اولین پروژه یادگیری عمیق شما: کوئیز Building your first deep learning Project: Quiz

• Building your first deep learning Project: Quiz Solution-ساخت اولین پروژه یادگیری عمیق شما: راه حل کوئیز Building your first deep learning Project: Quiz Solution

• What does ANN Stand for?-ANN مخفف چیست؟ What does ANN Stand for?

• What is the Output of a Single Neuron in an ANN?-خروجی یک نورون واحد در یک ANN چیست؟ What is the Output of a Single Neuron in an ANN?

• What is TensorFlow Playground?-TensorFlow Playground چیست؟ What is TensorFlow Playground?

• How are ANNs Related to the Human Brain?-ANNها چگونه با مغز انسان مرتبط هستند؟ How are ANNs Related to the Human Brain?

• What does the Formula T(°F) = T(°C)*9/5+32 Represent?-فرمول T(°F) = T(°C)*9/5+32 چه چیزی را نشان می‌دهد؟ What does the Formula T(°F) = T(°C)*9/5+32 Represent?

• What is the Purpose of the "Data" Tab in TF Playground?-هدف از تب "Data" در TF Playground چیست؟ What is the Purpose of the "Data" Tab in TF Playground?

• What types of Machine Learning Models can be Trained in TF Playground?-چه نوع مدل‌های یادگیری ماشینی را می‌توان در TF Playground آموزش داد؟ What types of Machine Learning Models can be Trained in TF Playground?

• What is the most Common Type of File Format used with Pandas Read Function?-رایج‌ترین نوع فرمت فایلی که با تابع Pandas Read استفاده می‌شود چیست؟ What is the most Common Type of File Format used with Pandas Read Function?

• What happens if the File Specified in the Pandas Read Function does not Exist?-اگر فایلی که در تابع Pandas Read مشخص شده است وجود نداشته باشد چه اتفاقی می‌افتد؟ What happens if the File Specified in the Pandas Read Function does not Exist?

• Which of the Following is NOT a Step involved in Reading in a File with Pandas Read Function?-کدام یک از موارد زیر مرحله‌ای در خواندن یک فایل با تابع Pandas Read نیست؟ Which of the Following is NOT a Step involved in Reading in a File with Pandas Read Function?

• When Querying the Model for a Prediction, what Input is Typically Provided?-هنگام پرس و جو از مدل برای یک پیش‌بینی، چه ورودی به طور معمول ارائه می‌شود؟ When Querying the Model for a Prediction, what Input is Typically Provided?

• What are some Features of TensorFlow?-برخی از ویژگی‌های TensorFlow چیست؟ What are some Features of TensorFlow?

• Multi-layer Deep Learning Project: Module Introduction-پروژه یادگیری عمیق چند لایه: معرفی ماژول Multi-layer Deep Learning Project: Module Introduction

• Multi-layer Deep Learning Project: Training and Epochs-پروژه یادگیری عمیق چند لایه: آموزش و Epochs Multi-layer Deep Learning Project: Training and Epochs

• Multi-layer Deep Learning Project: Gradient Decent and Back Propagation-پروژه یادگیری عمیق چند لایه: Gradient Descent و Back Propagation Multi-layer Deep Learning Project: Gradient Decent and Back Propagation

• Multi-layer Deep Learning Project: Bias Variance Trade-Off-پروژه یادگیری عمیق چند لایه: Bias Variance Trade-Off Multi-layer Deep Learning Project: Bias Variance Trade-Off

• Multi-layer Deep Learning Project: Performance Metrics-پروژه یادگیری عمیق چند لایه: معیارهای عملکرد Multi-layer Deep Learning Project: Performance Metrics

• Multi-layer Deep Learning Project: Project-Sales Predition-پروژه یادگیری عمیق چند لایه: پروژه - پیش‌بینی فروش Multi-layer Deep Learning Project: Project-Sales Predition

• Multi-layer Deep Learning Project: Quiz-پروژه یادگیری عمیق چند لایه: کوئیز Multi-layer Deep Learning Project: Quiz

• Multi-layer Deep Learning Project: Quiz Solution-پروژه یادگیری عمیق چند لایه: راه حل کوئیز Multi-layer Deep Learning Project: Quiz Solution

• Which of the Following is used to update the Weights of a Neural Network during Training?-کدام یک از موارد زیر برای به روز رسانی وزن‌های یک شبکه عصبی در طول آموزش استفاده می‌شود؟ Which of the Following is used to update the Weights of a Neural Network during Training?

• Which of the Following Represents the Number of Times a Machine Learning Model sees the Entire Training Dataset?-کدام یک از موارد زیر نشان دهنده تعداد دفعاتی است که یک مدل یادگیری ماشینی کل مجموعه داده آموزشی را می‌بیند؟ Which of the Following Represents the Number of Times a Machine Learning Model sees the Entire Training Dataset?

• Which of the Following is Responsible for Propagating the Error Back through the Neural Network during Training?-کدام یک از موارد زیر مسئول انتشار خطا از طریق شبکه عصبی در طول آموزش است؟ Which of the Following is Responsible for Propagating the Error Back through the Neural Network during Training?

• Which of the Following Refers to the Trade-off between a Model's ability to Fit to the Training Data and its ability to Generalize to New Data?-کدام یک از موارد زیر به سازش بین توانایی یک مدل برای مطابقت با داده‌های آموزشی و توانایی آن در تعمیم به داده‌های جدید اشاره دارد؟ Which of the Following Refers to the Trade-off between a Model's ability to Fit to the Training Data and its ability to Generalize to New Data?

• Which of the Following is used to Evaluate the Performance of a Machine Learning Model?-کدام یک از موارد زیر برای ارزیابی عملکرد یک مدل یادگیری ماشینی استفاده می‌شود؟ Which of the Following is used to Evaluate the Performance of a Machine Learning Model?

• Which of the Following is used to add a Constant value to the Output of a Neuron in a Neural Network?-کدام یک از موارد زیر برای افزودن یک مقدار ثابت به خروجی یک نورون در یک شبکه عصبی استفاده می‌شود؟ Which of the Following is used to add a Constant value to the Output of a Neuron in a Neural Network?

• What is the Purpose of Evaluating the Output of a Supervised Learning Algorithm?-هدف از ارزیابی خروجی یک الگوریتم یادگیری نظارت شده چیست؟ What is the Purpose of Evaluating the Output of a Supervised Learning Algorithm?

• Which of the Following Performance Metrics is used to Measure how well a Regression Model Fits the Data?-کدام یک از معیارهای عملکرد زیر برای اندازه‌گیری میزان مطابقت یک مدل رگرسیون با داده‌ها استفاده می‌شود؟ Which of the Following Performance Metrics is used to Measure how well a Regression Model Fits the Data?

• What is the Purpose of Determining the Residual for each Data Point?-هدف از تعیین Residual برای هر نقطه داده چیست؟ What is the Purpose of Determining the Residual for each Data Point?

• What is the Process of Backpropagation?-فرایند Backpropagation چیست؟ What is the Process of Backpropagation?

• What is the Role of the Gradient Descent in Backpropagation?-نقش Gradient Descent در Backpropagation چیست؟ What is the Role of the Gradient Descent in Backpropagation?

• How does the Network Learn in Reinforcement Learning?-شبکه در یادگیری تقویتی چگونه یاد می‌گیرد؟ How does the Network Learn in Reinforcement Learning?