لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش Keras Deep Learning and Generative Adversarial Networks (GAN) [ویدئو]
Keras Deep Learning and Generative Adversarial Networks (GAN) [Video]
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
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
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.
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.
نمایش نظرات