Keras Deep Learning and Generative Adversarial Networks (GAN) [ویدئو]

Keras Deep Learning and Generative Adversarial Networks (GAN) [Video]

در حال بارگزاری نمونه ویدیو، لطفا صبر کنید...
Video Player is loading.
Current Time 0:00
Duration 0:00
Loaded: 0%
Stream Type LIVE
Remaining Time 0:00
 
1x
    • Chapters
    • descriptions off, selected
    • subtitles off, selected
      نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
      نمونه ویدیوها:
      • در حال بارگزاری، لطفا صبر کنید...
      توضیحات دوره: این دوره با مبانی پایتون شروع می شود و مفاهیمی مانند تخصیص، کنترل جریان، لیست ها، تاپل ها، دیکشنری ها و توابع را در بر می گیرد. سپس به سراغ کتابخانه Python NumPy می رویم که از آرایه ها و ماتریس های بزرگ پشتیبانی می کند. قبل از شروع سفر یادگیری عمیق، یک جلسه نظری جامع در انتظار تشریح ساختار اساسی یک نورون مصنوعی و ادغام آن برای تشکیل یک شبکه عصبی مصنوعی است. سپس کاوش به حوزه CNN، مدل‌های مبتنی بر متن، طبقه‌بندی باینری و چند طبقه‌ای و دنیای پیچیده پردازش تصویر می‌پردازد. تحول با کاوش عمیق پارادایم GAN که از اصول اساسی تا استراتژی های پیشرفته را در بر می گیرد، ادامه می یابد. شرکت‌کنندگان این فرصت را خواهند داشت که مدل‌هایی بسازند، تکنیک‌های یادگیری انتقال را مهار کنند و در حوزه GAN‌های شرطی سرمایه‌گذاری کنند. هنگامی که GAN کاملاً متصل را تکمیل کردیم، سپس با یک GAN پیشرفته‌تر Deep Convoluted یا DCGAN ادامه خواهیم داد. ما درباره چیستی DCGAN بحث خواهیم کرد و تفاوت بین DCGAN و GAN کاملا متصل را خواهیم دید. سپس سعی می کنیم DCGAN را پیاده سازی کنیم. تابع Generator را تعریف می کنیم و تابع Discriminator را تعریف می کنیم. در پایان دوره، مهارت‌های ایجاد، تنظیم دقیق و به کارگیری راه‌حل‌های پیشرفته هوش مصنوعی را خواهید داشت و شما را در این چشم‌انداز در حال تکامل متمایز می‌کند. با هوش مصنوعی (AI) و یادگیری ماشینی آشنا شوید یادگیری عمیق و شبکه های عصبی را درک کنید درباره لیست ها، تاپل ها، دیکشنری ها و توابع در پایتون بیاموزید اصول اولیه Pandas، NumPy و Matplotlib را بیاموزید ساختار اساسی نورون های مصنوعی و شبکه عصبی را کاوش کنید مفاهیم Stride، Padding و Flattening CNN ها را درک کنید این دوره برای تازه واردانی طراحی شده است که قصد دارند در یادگیری عمیق و شبکه های متخاصم مولد (GAN) با شروع از پایه، برتری پیدا کنند. پیشرفت از مبتدی به پیشرفته از طریق یادگیری همه جانبه. مناسب برای نقش هایی مانند مهندس یادگیری ماشین، متخصص یادگیری عمیق، محقق هوش مصنوعی، دانشمند داده و توسعه دهنده GAN. درک شبکه های متخاصم مولد (GAN) با استفاده از پایتون با Keras * یادگیری عمیق از ابتدا تا سطح متخصص * یادگیری پایتون و یادگیری عمیق با استفاده از مثال های دنیای واقعی

      سرفصل ها و درس ها

      معرفی Introduction

      • معرفی دوره و فهرست مطالب Course Introduction and Table of Contents

      مقدمه ای بر هوش مصنوعی و یادگیری ماشینی Introduction to AI and Machine Learning

      • مقدمه ای بر هوش مصنوعی و یادگیری ماشینی Introduction to AI and Machine Learning

      مقدمه ای بر یادگیری عمیق و شبکه های عصبی Introduction to Deep learning and Neural Networks

      • مقدمه ای بر یادگیری عمیق و شبکه های عصبی Introduction to Deep learning and Neural Networks

      راه اندازی کامپیوتر - نصب آناکوندا Setting Up Computer - Installing Anaconda

      • راه اندازی کامپیوتر - نصب آناکوندا Setting Up Computer - Installing Anaconda

      اصول پایتون - کنترل جریان Python Basics - Flow Control

      • اصول پایتون - کنترل جریان - قسمت 1 Python Basics - Flow Control - Part 1

      • اصول پایتون - کنترل جریان - قسمت 2 Python Basics - Flow Control - Part 2

      مبانی پایتون - لیست ها و تاپل ها Python Basics - Lists and Tuples

      • مبانی پایتون - لیست ها و تاپل ها Python Basics - Lists and Tuples

      مبانی پایتون - دیکشنری ها و توابع Python Basics - Dictionaries and Functions

      • مبانی پایتون - دیکشنری ها و توابع - قسمت 1 Python Basics - Dictionaries and Functions - part 1

      • مبانی پایتون - دیکشنری و توابع - قسمت 2 Python Basics - Dictionary and Functions - part 2

      مبانی NumPy NumPy Basics

      • مبانی NumPy - قسمت 1 NumPy Basics - Part 1

      • مبانی NumPy - قسمت 2 NumPy Basics - Part 2

      مبانی Matplotlib Matplotlib Basics

      • مبانی Matplotlib - قسمت 1 Matplotlib Basics - part 1

      • مبانی Matplotlib - قسمت 2 Matplotlib Basics - part 2

      اصول اولیه پانداها Pandas Basics

      • اصول پانداها - قسمت 1 Pandas Basics - Part 1

      • اصول پانداها - قسمت 2 Pandas Basics - Part 2

      نصب کتابخانه های یادگیری عمیق Installing Deep Learning Libraries

      • نصب کتابخانه های یادگیری عمیق Installing Deep Learning Libraries

      ساختار اساسی نورون مصنوعی و شبکه عصبی Basic Structure of Artificial Neuron and Neural Network

      • ساختار اساسی نورون مصنوعی و شبکه عصبی Basic Structure of Artificial Neuron and Neural Network

      معرفی توابع فعال سازی Activation Functions Introduction

      • معرفی توابع فعال سازی Activation Functions Introduction

      انواع محبوب توابع فعال سازی Popular Types of Activation Functions

      • انواع محبوب توابع فعال سازی Popular Types of Activation Functions

      انواع محبوب توابع از دست دادن Popular Types of Loss Functions

      • انواع محبوب توابع از دست دادن Popular Types of Loss Functions

      بهینه سازهای محبوب Popular Optimizers

      • بهینه سازهای محبوب Popular Optimizers

      انواع شبکه های عصبی محبوب Popular Neural Network Types

      • انواع شبکه های عصبی محبوب Popular Neural Network Types

      مدل رگرسیون فروش خانه کینگ کانتی - مرحله 1 واکشی و بارگذاری مجموعه داده King County House Sales Regression Model - Step 1 Fetch and Load Dataset

      • مدل رگرسیون فروش خانه کینگ کانتی - مرحله 1 واکشی و بارگذاری مجموعه داده King County House Sales Regression Model - Step 1 Fetch and Load Dataset

      مراحل 2 و 3 - EDA و آماده سازی داده ها Steps 2 and 3 - EDA and Data Preparation

      • مراحل 2 و 3 - EDA و آماده سازی داده ها - قسمت 1 Steps 2 and 3 - EDA and Data Preparation - Part 1

      • مراحل 2 و 3 - EDA و آماده سازی داده ها - قسمت 2 Steps 2 and 3 - EDA and Data Preparation - Part 2

      مرحله 4 - تعریف مدل Keras Step 4 - Defining the Keras Model

      • مرحله 4 تعریف مدل Keras - قسمت 1 Step 4 Defining the Keras Model - Part 1

      • مرحله 4 تعریف مدل Keras - قسمت 2 Step 4 Defining the Keras Model - Part 2

      مراحل 5 و 6 - کامپایل و برازش مدل Steps 5 and 6 - Compile and Fit Model

      • مراحل 5 و 6 کامپایل و برازش مدل Steps 5 and 6 Compile and Fit Model

      مرحله 7 آموزش و معیارها را تجسم کنید Step 7 Visualize Training and Metrics

      • مرحله 7 آموزش و معیارها را تجسم کنید Step 7 Visualize Training and Metrics

      مرحله 8 پیش بینی با استفاده از مدل Step 8 Prediction Using the Model

      • مرحله 8 پیش بینی با استفاده از مدل Step 8 Prediction Using the Model

      مدل طبقه بندی دوتایی بیماری های قلبی - مقدمه Heart Disease Binary Classification Model - Introduction

      • مدل طبقه بندی دوتایی بیماری های قلبی - مقدمه Heart Disease Binary Classification Model - Introduction

      مرحله 1 - واکشی و بارگیری داده ها Step 1 - Fetch and Load Data

      • مرحله 1 - واکشی و بارگیری داده ها Step 1 - Fetch and Load Data

      مرحله 4 - تعریف مدل Step 4 - Defining the Model

      • مرحله 4 - تعریف مدل Step 4 - Defining the Model

      مرحله 5 - کامپایل، تناسب، و رسم مدل Step 5 – Compile, Fit, and Plot the Model

      • مرحله 5 - کامپایل، تناسب، و رسم مدل Step 5 – Compile, Fit, and Plot the Model

      مرحله 5 - پیش بینی بیماری قلبی با استفاده از مدل Step 5 - Predicting Heart Disease Using Model

      • مرحله 5 - پیش بینی بیماری قلبی با استفاده از مدل Step 5 - Predicting Heart Disease Using Model

      مرحله 6 - آزمایش و ارزیابی مدل بیماری قلبی Step 6 - Testing and Evaluating Heart Disease Model

      • مرحله 6 - آزمایش و ارزیابی مدل بیماری قلبی - قسمت 1 Step 6 - Testing and Evaluating Heart Disease Model - Part 1

      • مرحله 6 - آزمایش و ارزیابی مدل بیماری قلبی - قسمت 2 Step 6 - Testing and Evaluating Heart Disease Model - Part 2

      مدل طبقه بندی چند کلاسه کیفیت Redwine - مقدمه Redwine Quality Multiclass Classification Model - Introduction

      • مدل طبقه بندی چند کلاسه کیفیت Redwine - مقدمه Redwine Quality Multiclass Classification Model - Introduction

      مرحله 1 - واکشی و بارگذاری داده ها Step1 - Fetch and Load Data

      • مرحله 1 - واکشی و بارگذاری داده ها Step1 - Fetch and Load Data

      مرحله 2 - EDA و تجسم داده ها Step 2 - EDA and Data Visualization

      • مرحله 2 - EDA و تجسم داده ها Step 2 - EDA and Data Visualization

      مرحله 3 - تعریف مدل Step 3 - Defining the Model

      • مرحله 3 - تعریف مدل Step 3 - Defining the Model

      مرحله 4 - مدل را کامپایل، برازش و رسم کنید Step 4 – Compile, Fit, and Plot the Model

      • مرحله 4 - مدل را کامپایل، برازش و رسم کنید Step 4 – Compile, Fit, and Plot the Model

      مرحله 5 - پیش بینی کیفیت شراب با استفاده از مدل Step 5 - Predicting Wine Quality Using Model

      • مرحله 5 - پیش بینی کیفیت شراب با استفاده از مدل Step 5 - Predicting Wine Quality Using Model

      سریال‌سازی و ذخیره مدل آموزش‌دیده برای استفاده بعدی Serialize and Save Trained Model for Later Usage

      • سریال‌سازی و ذخیره مدل آموزش‌دیده برای استفاده بعدی Serialize and Save Trained Model for Later Usage

      مبانی تصویر دیجیتال Digital Image Basics

      • مبانی تصویر دیجیتال Digital Image Basics

      پردازش تصویر پایه با استفاده از توابع Keras Basic Image Processing Using Keras Functions

      • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 1 Basic Image Processing Using Keras Functions - Part 1

      • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 2 Basic Image Processing Using Keras Functions - Part 2

      • پردازش تصویر پایه با استفاده از توابع Keras - قسمت 3 Basic Image Processing using Keras Functions - Part 3

      Keras Single Image Augmentation Keras Single Image Augmentation

      • Keras Single Image Augmentation - قسمت 1 Keras Single Image Augmentation - Part 1

      • Keras Single Image Augmentation - قسمت 2 Keras Single Image Augmentation - Part 2

      Keras Directory Image Augmentation Keras Directory Image Augmentation

      • Keras Directory Image Augmentation Keras Directory Image Augmentation

      تقویت قاب داده Keras Keras Data Frame Augmentation

      • تقویت قاب داده Keras Keras Data Frame Augmentation

      اصول CNN CNN Basics

      • اصول CNN CNN Basics

      مفاهیم گام برداشتن، بالشتک و صاف کردن CNN Stride, Padding, and Flattening Concepts of CNN

      • مفاهیم گام برداشتن، بالشتک و صاف کردن CNN Stride, Padding, and Flattening Concepts of CNN

      مدل طبقه‌بندی تصویر گل‌ها CNN – واکشی، بارگیری و آماده‌سازی داده‌ها Flowers CNN Image Classification Model – Fetch, Load, and Prepare Data

      • مدل طبقه‌بندی تصویر گل‌ها CNN – واکشی، بارگیری و آماده‌سازی داده‌ها Flowers CNN Image Classification Model – Fetch, Load, and Prepare Data

      طبقه بندی گل ها CNN - پوشه های تست و آموزش ایجاد کنید Flowers Classification CNN - Create Test and Train Folders

      • طبقه بندی گل ها CNN - پوشه های تست و آموزش ایجاد کنید Flowers Classification CNN - Create Test and Train Folders

      طبقه بندی گل ها CNN - تعریف مدل Flowers Classification CNN - Defining the Model

      • طبقه بندی گل ها CNN - تعریف مدل - قسمت 1 Flowers Classification CNN - Defining the Model - Part 1

      • طبقه بندی گل ها CNN - تعریف مدل - قسمت 2 Flowers Classification CNN - Defining the Model - Part 2

      • طبقه بندی گل ها CNN - تعریف مدل - قسمت 3 Flowers Classification CNN - Defining the Model - Part 3

      طبقه بندی گل ها CNN - آموزش و تجسم Flowers Classification CNN - Training and Visualization

      • طبقه بندی گل ها CNN - آموزش و تجسم Flowers Classification CNN - Training and Visualization

      طبقه بندی گل ها CNN - ذخیره مدل برای استفاده بعدی Flowers Classification CNN - Save Model for Later Use

      • طبقه بندی گل ها CNN - ذخیره مدل برای استفاده بعدی Flowers Classification CNN - Save Model for Later Use

      طبقه بندی گل ها CNN - بارگذاری مدل ذخیره شده و پیش بینی Flowers Classification CNN - Load Saved Model and Predict

      • طبقه بندی گل ها CNN - بارگذاری مدل ذخیره شده و پیش بینی Flowers Classification CNN - Load Saved Model and Predict

      طبقه بندی گل ها CNN - تکنیک های بهینه سازی - مقدمه Flowers Classification CNN - Optimization Techniques - Introduction

      • طبقه بندی گل ها CNN - تکنیک های بهینه سازی - مقدمه Flowers Classification CNN - Optimization Techniques - Introduction

      طبقه‌بندی گل‌ها CNN - نظم بخشیدن به ترک‌ها Flowers Classification CNN - Dropout Regularization

      • طبقه‌بندی گل‌ها CNN - نظم بخشیدن به ترک‌ها Flowers Classification CNN - Dropout Regularization

      طبقه‌بندی گل‌ها CNN - بهینه‌سازی لایه‌بندی و فیلتر Flowers Classification CNN - Padding and Filter Optimization

      • طبقه‌بندی گل‌ها CNN - بهینه‌سازی لایه‌بندی و فیلتر Flowers Classification CNN - Padding and Filter Optimization

      طبقه بندی گل ها CNN - بهینه سازی افزایش Flowers Classification CNN - Augmentation Optimization

      • طبقه بندی گل ها CNN - بهینه سازی افزایش Flowers Classification CNN - Augmentation Optimization

      تنظیم فراپارامتر Hyperparameter Tuning

      • تنظیم فراپارامتر - قسمت 1 Hyperparameter Tuning - Part 1

      • تنظیم فراپارامتر - قسمت 2 Hyperparameter Tuning - Part 2

      انتقال یادگیری با استفاده از مدل های از پیش آموزش دیده - مقدمه VGG Transfer Learning Using Pre-Trained Models - VGG Introduction

      • انتقال یادگیری با استفاده از مدل های از پیش آموزش دیده - مقدمه VGG Transfer Learning Using Pre-Trained Models - VGG Introduction

      پیش بینی VGG16 و VGG19 VGG16 and VGG19 Prediction

      • پیش بینی VGG16 و VGG19 - قسمت 1 VGG16 and VGG19 Prediction- Part 1

      • VGG16 و VGG19 Prediction - قسمت 2 VGG16 and VGG19 Prediction- Part 2

      پیش بینی ResNet50 ResNet50 Prediction

      • پیش بینی ResNet50 ResNet50 Prediction

      مجموعه داده گل آموزش آموزش انتقال VGG16 VGG16 Transfer Learning Training Flowers Dataset

      • مجموعه داده گل آموزش آموزش انتقال VGG16 - قسمت 1 VGG16 Transfer Learning Training Flowers Dataset - part 1

      • مجموعه داده گل آموزش آموزش انتقال VGG16 - قسمت 2 VGG16 Transfer Learning Training Flowers Dataset - Part 2

      VGG16 انتقال آموزش پیش بینی گل VGG16 Transfer Learning Flower Prediction

      • VGG16 انتقال آموزش پیش بینی گل VGG16 Transfer Learning Flower Prediction

      آموزش انتقال VGG16 با استفاده از Google Colab GPU - آماده سازی و آپلود مجموعه داده VGG16 Transfer Learning Using Google Colab GPU - Preparing and Uploading Dataset

      • آموزش انتقال VGG16 با استفاده از Google Colab GPU - آماده سازی و آپلود مجموعه داده VGG16 Transfer Learning Using Google Colab GPU - Preparing and Uploading Dataset

      آموزش انتقال VGG16 با استفاده از Google Colab GPU - آموزش و پیش بینی VGG16 Transfer Learning Using Google Colab GPU - Training and Prediction

      • آموزش انتقال VGG16 با استفاده از Google Colab GPU - آموزش و پیش بینی VGG16 Transfer Learning Using Google Colab GPU - Training and Prediction

      VGG19 Transfer Learning با استفاده از Google Colab GPU - آموزش و پیش بینی VGG19 Transfer Learning Using Google Colab GPU - Training and Prediction

      • VGG19 Transfer Learning با استفاده از Google Colab GPU - آموزش و پیش بینی VGG19 Transfer Learning Using Google Colab GPU - Training and Prediction

      ResNet50 Transfer Learning با استفاده از Google Colab GPU - آموزش و پیش بینی ResNet50 Transfer Learning Using Google Colab GPU - Training and Prediction

      • ResNet50 Transfer Learning با استفاده از Google Colab GPU - آموزش و پیش بینی ResNet50 Transfer Learning Using Google Colab GPU - Training and Prediction

      معرفی شبکه های متخاصم GAN Generative Adversarial Networks GAN Introduction

      • معرفی شبکه های متخاصم GAN Generative Adversarial Networks GAN Introduction

      کانولوشن انتقال ساده با استفاده از تصویر در مقیاس خاکستری Simple Transpose Convolution Using a Grayscale Image

      • کانولوشن انتقال ساده با استفاده از تصویر در مقیاس خاکستری - قسمت 1 Simple Transpose Convolution Using a Grayscale Image - Part 1

      • کانولوشن انتقال ساده با استفاده از تصویر در مقیاس خاکستری - قسمت 2 Simple Transpose Convolution Using a Grayscale Image - Part 2

      • کانولوشن انتقال ساده با استفاده از تصویر در مقیاس خاکستری - قسمت 3 Simple Transpose Convolution Using a Grayscale Image - Part 3

      ساز و کار مولد و تفکیک کننده توضیح داده شد Generator and Discriminator Mechanism Explained

      • ساز و کار مولد و تفکیک کننده توضیح داده شد Generator and Discriminator Mechanism Explained

      یک GAN ساده کاملاً متصل با استفاده از مجموعه داده MNIST - مقدمه A fully Connected Simple GAN Using MNIST Dataset - Introduction

      • یک GAN ساده کاملا متصل با استفاده از مجموعه داده MNIST - مقدمه A Fully Connected Simple GAN Using MNIST Dataset - Introduction

      GAN کاملاً متصل - در حال بارگیری مجموعه داده Fully Connected GAN - Loading the Dataset

      • GAN کاملاً متصل - در حال بارگیری مجموعه داده Fully Connected GAN - Loading the Dataset

      GAN کاملاً متصل - تعریف عملکرد ژنراتور Fully Connected GAN - Defining the Generator Function

      • GAN کاملاً متصل - تعریف عملکرد ژنراتور - قسمت 1 Fully Connected GAN - Defining the Generator Function - Part 1

      • GAN کاملاً متصل - تعریف عملکرد ژنراتور - قسمت 2 Fully Connected GAN - Defining the Generator Function - Part 2

      GAN کاملاً متصل - تعریف تابع تشخیص دهنده Fully Connected GAN - Defining the Discriminator Function

      • GAN کاملاً متصل - تعریف تابع تشخیصگر - قسمت 1 Fully Connected GAN - Defining the Discriminator Function - Part 1

      • GAN کاملاً متصل - تعریف تابع تشخیصگر - قسمت 2 Fully Connected GAN - Defining the Discriminator Function - Part 2

      GAN کاملاً متصل - ترکیب مدل‌های ژنراتور و تفکیک‌کننده Fully Connected GAN - Combining Generator and Discriminator Models

      • GAN کاملاً متصل - ترکیب مدل‌های ژنراتور و تفکیک‌کننده Fully Connected GAN - Combining Generator and Discriminator Models

      GAN کاملاً متصل - کامپایل مدل‌های تشخیص‌دهنده و ترکیبی GAN Fully Connected GAN - Compiling Discriminator and Combined GAN Models

      • GAN کاملاً متصل - کامپایل مدل‌های تشخیص‌دهنده و ترکیبی GAN Fully Connected GAN - Compiling Discriminator and Combined GAN Models

      GAN کاملاً متصل - آموزش تشخیصگر Fully Connected GAN - Discriminator Training

      • GAN کاملاً متصل - آموزش تشخیصگر - قسمت 1 Fully Connected GAN - Discriminator Training - Part 1

      • GAN کاملاً متصل - آموزش تشخیصگر - قسمت 2 Fully Connected GAN - Discriminator Training - Part 2

      • GAN کاملاً متصل - آموزش تشخیصگر - قسمت 3 Fully Connected GAN - Discriminator Training - Part 3

      GAN کاملا متصل - آموزش ژنراتور Fully Connected GAN - Generator Training

      • GAN کاملا متصل - آموزش ژنراتور Fully Connected GAN - Generator Training

      GAN کاملاً متصل - ذخیره ورود به سیستم در هر بازه زمانی Fully Connected GAN - Saving Log at Each Interval

      • GAN کاملاً متصل - ذخیره ورود به سیستم در هر بازه زمانی Fully Connected GAN - Saving Log at Each Interval

      GAN کاملاً متصل - گزارش را در فواصل زمانی ترسیم کنید Fully Connected GAN - Plot the Log at Intervals

      • GAN کاملاً متصل - گزارش را در فواصل زمانی ترسیم کنید Fully Connected GAN - Plot the Log at Intervals

      GAN کاملا متصل - نمایش تصاویر تولید شده Fully Connected GAN - Display Generated Images

      • GAN کاملا متصل - نمایش تصاویر تولید شده - قسمت 1 Fully Connected GAN - Display Generated Images - Part 1

      • GAN کاملا متصل - نمایش تصاویر تولید شده - قسمت 2 Fully Connected GAN - Display Generated Images - Part 2

      ذخیره ژنراتور آموزش دیده برای استفاده بعدی Saving the Trained Generator for Later Use

      • ذخیره ژنراتور آموزش دیده برای استفاده بعدی Saving the Trained Generator for Later Use

      تولید تصاویر جعلی با استفاده از مدل ذخیره شده GAN Generating Fake Images Using the Saved GAN Model

      • تولید تصاویر جعلی با استفاده از مدل ذخیره شده GAN Generating Fake Images Using the Saved GAN Model

      GAN کاملاً متصل در مقابل GAN پیچیده عمیق Fully Connected GAN Versus Deep Convoluted GAN

      • GAN کاملاً متصل در مقابل GAN پیچیده عمیق Fully Connected GAN Versus Deep Convoluted GAN

      Deep Convolutional GAN ​​- بارگیری مجموعه داده ارقام دست‌نویس MNIST Deep Convolutional GAN - Loading the MNIST Handwritten Digits Dataset

      • Deep Convolutional GAN ​​- بارگیری مجموعه داده ارقام دست‌نویس MNIST Deep Convolutional GAN - Loading the MNIST Handwritten Digits Dataset

      Deep Convolutional GAN ​​- تعریف عملکرد ژنراتور Deep Convolutional GAN - Defining the Generator Function

      • Deep Convolutional GAN ​​- تعریف عملکرد ژنراتور - قسمت 1 Deep Convolutional GAN - Defining the Generator Function - Part 1

      • Deep Convolutional GAN ​​- تعریف عملکرد ژنراتور - قسمت 2 Deep Convolutional GAN - Defining the Generator Function - Part 2

      Deep Convolutional GAN ​​- تعریف تابع تشخیص Deep Convolutional GAN - Defining the Discriminator Function

      • Deep Convolutional GAN ​​- تعریف تابع تشخیص Deep Convolutional GAN - Defining the Discriminator Function

      Deep Convolutional GAN ​​- ترکیب و کامپایل مدل Deep Convolutional GAN - Combining and Compiling the Model

      • Deep Convolutional GAN ​​- ترکیب و کامپایل مدل Deep Convolutional GAN - Combining and Compiling the Model

      Deep Convolutional GAN ​​- آموزش مدل Deep Convolutional GAN - Training the Model

      • Deep Convolutional GAN ​​- آموزش مدل Deep Convolutional GAN - Training the Model

      Deep Convolutional GAN ​​- آموزش مدل با استفاده از Google Colab GPU Deep Convolutional GAN - Training the Model Using Google Colab GPU

      • Deep Convolutional GAN ​​- آموزش مدل با استفاده از Google Colab GPU Deep Convolutional GAN - Training the Model Using Google Colab GPU

      Deep Convolutional GAN ​​- بارگیری مجموعه داده Fashion MNIST Deep Convolutional GAN - Loading the Fashion MNIST Dataset

      • Deep Convolutional GAN ​​- بارگیری مجموعه داده Fashion MNIST Deep Convolutional GAN - Loading the Fashion MNIST Dataset

      Deep Convolutional GAN ​​- آموزش مدل مد MNIST با استفاده از Google Colab GPU Deep Convolutional GAN - Training the MNIST Fashion Model Using Google Colab GPU

      • Deep Convolutional GAN ​​- آموزش مدل مد MNIST با استفاده از Google Colab GPU Deep Convolutional GAN - Training the MNIST Fashion Model Using Google Colab GPU

      Deep Convolutional GAN ​​- بارگیری مجموعه داده CIFAR-10 و تعریف ژنراتور Deep Convolutional GAN - Loading the CIFAR-10 Dataset and Defining the Generator

      • Deep Convolutional GAN ​​- بارگیری مجموعه داده و ژنراتور CIFAR-10 - قسمت 1 Deep Convolutional GAN - Loading the CIFAR-10 Dataset and Generator - Part 1

      • بارگیری مجموعه داده CIFAR-10 و تعریف ژنراتور - قسمت 2 Loading the CIFAR-10 Dataset and Defining the Generator - part 2

      Deep Convolutional GAN ​​- تعریف تمایز Deep Convolutional GAN - Defining the Discriminator

      • Deep Convolutional GAN ​​- تعریف تمایز Deep Convolutional GAN - Defining the Discriminator

      Deep Convolutional GAN ​​CIFAR-10 - آموزش مدل Deep Convolutional GAN CIFAR-10 - Training the Model

      • Deep Convolutional GAN ​​CIFAR-10 - آموزش مدل Deep Convolutional GAN CIFAR-10 - Training the Model

      Deep Convolutional GAN ​​- آموزش مدل CIFAR-10 با استفاده از Google Colab GPU Deep Convolutional GAN - Training the CIFAR-10 Model Using Google Colab GPU

      • Deep Convolutional GAN ​​- آموزش مدل CIFAR-10 با استفاده از Google Colab GPU Deep Convolutional GAN - Training the CIFAR-10 Model Using Google Colab GPU

      وانیلی GAN در مقابل GAN شرطی Vanilla GAN Versus Conditional GAN

      • وانیلی GAN در مقابل GAN شرطی Vanilla GAN Versus Conditional GAN

      GAN شرطی - تعریف تابع اصلی ژنراتور Conditional GAN - Defining the Basic Generator Function

      • GAN شرطی - تعریف تابع اصلی ژنراتور Conditional GAN - Defining the Basic Generator Function

      GAN شرطی - جاسازی برچسب برای ژنراتور Conditional GAN - Label Embedding for Generator

      • GAN شرطی - جاسازی برچسب برای ژنراتور - قسمت 1 Conditional GAN - Label Embedding for Generator - Part 1

      • Conditional GAN ​​- Label Embedding for Generator - Part 2 Conditional GAN - Label Embedding for Generator - Part 2

      GAN شرطی - تعریف تابع متمایز کننده اساسی Conditional GAN - Defining the Basic Discriminator Function

      • GAN شرطی - تعریف تابع متمایز کننده اساسی Conditional GAN - Defining the Basic Discriminator Function

      Conditional GAN ​​- جاسازی برچسب برای Discriminator Conditional GAN - Label Embedding for Discriminator

      • Conditional GAN ​​- جاسازی برچسب برای Discriminator Conditional GAN - Label Embedding for Discriminator

      GAN شرطی - ترکیب و کامپایل مدل Conditional GAN - Combining and Compiling the Model

      • GAN شرطی - ترکیب و کامپایل مدل Conditional GAN - Combining and Compiling the Model

      GAN مشروط - آموزش مدل Conditional GAN - Training the Model

      • Conditional GAN ​​- آموزش مدل - قسمت 1 Conditional GAN - Training the Model - Part 1

      • Conditional GAN ​​- آموزش مدل - قسمت 2 Conditional GAN - Training the Model - Part 2

      GAN شرطی - نمایش تصاویر تولید شده Conditional GAN - Display Generated Images

      • GAN شرطی - نمایش تصاویر تولید شده Conditional GAN - Display Generated Images

      Conditional GAN ​​- آموزش مدل MNIST با استفاده از Google Colab GPU Conditional GAN - Training the MNIST Model Using Google Colab GPU

      • Conditional GAN ​​- آموزش مدل MNIST با استفاده از Google Colab GPU Conditional GAN - Training the MNIST Model Using Google Colab GPU

      Conditional GAN ​​- آموزش مدل Fashion MNIST با استفاده از Google Colab GPU Conditional GAN - Training the Fashion MNIST Model Using Google Colab GPU

      • Conditional GAN ​​- آموزش مدل Fashion MNIST با استفاده از Google Colab GPU Conditional GAN - Training the Fashion MNIST Model Using Google Colab GPU

      سایر GAN های محبوب - مرجع بیشتر و پیوند کد منبع Other Popular GANs - Further Reference and Source Code Link

      • سایر GAN های محبوب - مرجع بیشتر و پیوند کد منبع Other Popular GANs - Further Reference and Source Code Link

      نمایش نظرات

      Keras Deep Learning and Generative Adversarial Networks (GAN) [ویدئو]
      جزییات دوره
      17 h 16 m
      133
      Packtpub Packtpub
      (آخرین آپدیت)
      از 5
      ندارد
      دارد
      دارد
      جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

      Google Chrome Browser

      Internet Download Manager

      Pot Player

      Winrar

      Abhilash Nelson Abhilash Nelson

      استاد و برنامه نویس ارشد مهندسی کامپیوتر در دبی من یک پیشگام ، با استعداد و امنیت گرا Android/iOS Mobile و PHP/Python Web Developer Application Developer با بیش از هشت سال تجربه کلی فناوری اطلاعات که شامل طراحی ، پیاده سازی ، یکپارچه سازی ، آزمایش و حمایت از تأثیر است برنامه های کامل وب و تلفن همراه. من دارنده مدرک کارشناسی ارشد کارشناسی ارشد در رشته علوم کامپیوتر و مهندسی هستم. تجربه من با برنامه نویسی PHP/Python یک مزیت اضافی برای برنامه های سرویس گیرنده Android و iOS مبتنی بر سرور است. من در حال حاضر تمام وقت به عنوان یک معمار ارشد راه حل مشغول به کار هستم که پروژه های مشتری خود را از ابتدا تا انتها مدیریت می کنم تا از طراحی با کیفیت ، ابتکاری و کاربردی اطمینان حاصل کنم.